論文の概要: On Inherited Popularity Bias in Cold-Start Item Recommendation
- arxiv url: http://arxiv.org/abs/2510.11402v1
- Date: Mon, 13 Oct 2025 13:44:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-14 18:06:30.382404
- Title: On Inherited Popularity Bias in Cold-Start Item Recommendation
- Title（参考訳）: コールドスタートアイテムレコメンデーションにおける人気バイアスの継承について
- Authors: Gregor Meehan, Johan Pauwels,
- Abstract要約: 協調フィルタリング(CF)は、目に見えない、または'コールド'アイテムの予測に苦労する。
コールドスタートシステムは人気バイアスを継承しうることを示すが、これは推奨システムの不公平性の一般的な原因である。
- 参考スコア（独自算出の注目度）: 5.958603849321135
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Collaborative filtering (CF) recommender systems struggle with making predictions on unseen, or 'cold', items. Systems designed to address this challenge are often trained with supervision from warm CF models in order to leverage collaborative and content information from the available interaction data. However, since they learn to replicate the behavior of CF methods, cold-start models may therefore also learn to imitate their predictive biases. In this paper, we show that cold-start systems can inherit popularity bias, a common cause of recommender system unfairness arising when CF models overfit to more popular items, thereby maximizing user-oriented accuracy but neglecting rarer items. We demonstrate that cold-start recommenders not only mirror the popularity biases of warm models, but are in fact affected more severely: because they cannot infer popularity from interaction data, they instead attempt to estimate it based solely on content features. This leads to significant over-prediction of certain cold items with similar content to popular warm items, even if their ground truth popularity is very low. Through experiments on three multimedia datasets, we analyze the impact of this behavior on three generative cold-start methods. We then describe a simple post-processing bias mitigation method that, by using embedding magnitude as a proxy for predicted popularity, can produce more balanced recommendations with limited harm to user-oriented cold-start accuracy.
- Abstract（参考訳）: 協調フィルタリング(CF)は、目に見えない、または'コールド'アイテムの予測に苦労する。
この課題に対処するために設計されたシステムは、しばしば、利用可能なインタラクションデータからの協調的およびコンテンツ情報を活用するために、暖かいCFモデルの監督で訓練される。
しかし、CF法の振る舞いを再現することを学ぶため、コールドスタートモデルは予測バイアスを模倣することを学ぶこともできる。
本稿では,CFモデルが人気アイテムに過度に適合した場合に生じるリコメンデータシステムの不公平性の一般的な原因である,人気バイアスを継承し,ユーザ指向の精度を最大化するが,稀な項目を無視することを示す。
コールドスタート推奨者は、温かいモデルの人気バイアスを反映するだけでなく、実際に深刻な影響を受けていることを実証する。
これは、たとえ根底的な真実の人気が極めて低いとしても、人気の高い温暖品と類似した内容の特定の寒冷品の過大評価につながる。
3つのマルチメディアデータセットの実験を通して、この挙動が3つの生成的コールドスタート法に与える影響を分析する。
次に、予測人気のプロキシとして埋め込みサイズを用いることで、ユーザ指向のコールドスタート精度に制限のある、よりバランスのとれたレコメンデーションを生成できる簡単な後処理バイアス軽減手法について述べる。
関連論文リスト
- Opening the Black Box: Interpretable Remedies for Popularity Bias in Recommender Systems [1.8692254863855962]
人気度バイアスは、少数の人気アイテムが不均等な注目を集めるレコメンデーションシステムにおいて、よく知られた課題である。
この不均衡は、しばしば推奨品質の低下とアイテムの不公平な露出をもたらす。
本稿では,Sparse Autoencoder を用いたポストホック手法を提案する。
論文 参考訳（メタデータ） (2025-08-24T10:59:56Z) - Bake Two Cakes with One Oven: RL for Defusing Popularity Bias and Cold-start in Third-Party Library Recommendations [5.874782446136913]
サードパーティ製ライブラリ(TPL)は現代のソフトウェア開発において不可欠な部分となり、開発者の生産性を高め、市場投入までの時間を短縮している。
通常、コラボレーティブ・フィルタリング(CF)に依存しており、レコメンデーションを行う際に2次元のプロジェクト・ライブラリ・マトリックス(一般的にはユーザ・イテム)を利用する。
本稿では,TPLレコメンデーションにおける人気バイアスとコールドスタート問題に対処するための強化学習(RL)に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2025-04-18T16:17:20Z) - Online Item Cold-Start Recommendation with Popularity-Aware Meta-Learning [14.83192161148111]
本稿では,Popularity-Aware Meta-learning (PAM) と呼ばれるモデルに依存しない推薦アルゴリズムを提案する。
PAMは、入力データを予め定義されたアイテム人気閾値によって異なるメタ学習タスクに分割する。
それぞれのタスクにおいて、異なる人気レベルにおける異なる役割に基づいて、行動関連およびコンテンツ関連の特徴を識別し、再重み付けすることができる。
論文 参考訳（メタデータ） (2024-11-18T01:30:34Z) - A First Look at Selection Bias in Preference Elicitation for Recommendation [64.44255178199846]
選好選好における選好バイアスの影響について検討した。
大きなハードルは、好みの推論インタラクションを持つ公開データセットがないことです。
本稿では,トピックに基づく選好提案プロセスのシミュレーションを提案する。
論文 参考訳（メタデータ） (2024-05-01T14:56:56Z) - Going Beyond Popularity and Positivity Bias: Correcting for Multifactorial Bias in Recommender Systems [74.47680026838128]
ユーザインタラクションデータとレコメンダシステム(RS)の2つの典型的なバイアスは、人気バイアスと肯定バイアスである。
項目と評価値の双方に影響される多因子選択バイアスについて検討する。
分散を低減し、最適化の堅牢性を向上させるため、スムースで交互に勾配降下する手法を提案する。
論文 参考訳（メタデータ） (2024-04-29T12:18:21Z) - Robust Collaborative Filtering to Popularity Distribution Shift [56.78171423428719]
本稿では,テストデータに仮定することなく,インタラクションワイドな人気ショートカットを定量化し,削減する,シンプルで効果的なデバイアス対策であるPopGoを提案する。
IDとOODの両方のテストセットにおいて、PopGoは最先端のデバイアス戦略よりも大幅に向上している。
論文 参考訳（メタデータ） (2023-10-16T04:20:52Z) - Cold & Warm Net: Addressing Cold-Start Users in Recommender Systems [10.133475523630139]
コールドスタートレコメンデーションは、レコメンダシステム(RS)が直面する大きな課題の1つです。
本稿では,コールドスタートユーザとウォームアップユーザをそれぞれモデル化する専門家モデルに基づいて,コールド&ウォームネットを提案する。
提案モデルはまた,産業用ショートビデオプラットフォーム上に展開され,アプリドウェル時間とユーザ保持率の大幅な向上を実現している。
論文 参考訳（メタデータ） (2023-09-27T13:31:43Z) - Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。
CPRは、露出メカニズムを知らずに不偏の推奨を達成する。
理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
論文 参考訳（メタデータ） (2022-04-26T09:20:27Z) - Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。
メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。
MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
論文 参考訳（メタデータ） (2021-10-18T08:11:24Z) - Privileged Graph Distillation for Cold Start Recommendation [57.918041397089254]
レコメンデーションシステムにおけるコールドスタートの問題は、歴史的相互作用の記録のない属性に基づいて新しいユーザー(イテム)に推奨することである。
特権グラフ蒸留モデル(PGD)を提案する。
提案手法は,新規ユーザ,新規ユーザ,新規ユーザを対象とする異なるコールドスタートシナリオに適用可能である。
論文 参考訳（メタデータ） (2021-05-31T14:05:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。