論文の概要: Rethinking Popularity Bias in Collaborative Filtering via Analytical Vector Decomposition

• arxiv url: http://arxiv.org/abs/2512.10688v2
• Date: Sat, 13 Dec 2025 12:26:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 15:10:29.243017
• Title: Rethinking Popularity Bias in Collaborative Filtering via Analytical Vector Decomposition
• Title（参考訳）: 分析ベクトル分解による協調フィルタリングにおける人気バイアスの再考
• Abstract要約: 人気バイアスは、ベイジアンペアワイドランキング(BPR)最適化の固有の幾何学的アーティファクトである。 我々は,この埋め込み幾何を補正するために,方向分解補正(DDC)を提案する。 DDCは、パーソナライズされた選好方向に沿ってポジティブな相互作用を誘導し、グローバルな人気方向からネガティブな相互作用を誘導する。
• 参考スコア（独自算出の注目度）: 37.76421221387847
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Popularity bias fundamentally undermines the personalization capabilities of collaborative filtering (CF) models, causing them to disproportionately recommend popular items while neglecting users' genuine preferences for niche content. While existing approaches treat this as an external confounding factor, we reveal that popularity bias is an intrinsic geometric artifact of Bayesian Pairwise Ranking (BPR) optimization in CF models. Through rigorous mathematical analysis, we prove that BPR systematically organizes item embeddings along a dominant "popularity direction" where embedding magnitudes directly correlate with interaction frequency. This geometric distortion forces user embeddings to simultaneously handle two conflicting tasks-expressing genuine preference and calibrating against global popularity-trapping them in suboptimal configurations that favor popular items regardless of individual tastes. We propose Directional Decomposition and Correction (DDC), a universally applicable framework that surgically corrects this embedding geometry through asymmetric directional updates. DDC guides positive interactions along personalized preference directions while steering negative interactions away from the global popularity direction, disentangling preference from popularity at the geometric source. Extensive experiments across multiple BPR-based architectures demonstrate that DDC significantly outperforms state-of-the-art debiasing methods, reducing training loss to less than 5% of heavily-tuned baselines while achieving superior recommendation quality and fairness. Code is available in https://github.com/LingFeng-Liu-AI/DDC.
• Abstract（参考訳）: 人気バイアスは、コラボレーティブ・フィルタリング(CF)モデルのパーソナライズ能力を根本的に損なうため、ニッチコンテンツに対するユーザの真の好みを無視しながら、人気アイテムを不均等に推奨する。 既存の手法では、これを外部共起因子として扱うが、人気バイアスはCFモデルにおけるベイジアンペアワイドランク付け(BPR)最適化の固有の幾何学的アーティファクトである。 厳密な数学的解析により,BPRは,主成分の埋め込みを主成分の「人気方向」に沿って体系的に整理し,埋め込みの大きさは相互作用周波数と直接相関することを示した。 この幾何学的歪みにより、ユーザーは2つの相反するタスクを同時に処理せざるを得ない。 非対称な方向更新によってこの埋め込み幾何を外科的に補正する汎用的なフレームワークである方向分解補正(DDC)を提案する。 DDCは、パーソナライズされた嗜好方向に沿ってポジティブな相互作用を導き、また、グローバルな人気方向からネガティブな相互作用を遠ざけ、幾何学的なソースで人気から遠ざかる。 複数のBPRアーキテクチャにわたる大規模な実験により、DDCは最先端のデバイアス法を著しく上回り、トレーニングの損失を5%未満に減らし、優れた推奨品質と公正性を達成した。 コードはhttps://github.com/LingFeng-Liu-AI/DDCで入手できる。

関連論文リスト

• Unbiased Alignment for Large Language Models with Noisy Preferences [74.69408994904965]
  本稿では,Unbiased Reward Model(URM)損失とUnbiased Direct Preference Optimization(UDPO)損失を導入した非バイアスアライメントの理論的枠組みを提案する。 好み雑音によって引き起こされる歪みを数学的に補正することにより、我々の新しい目的はノイズの多いデータセットから直接バイアスのないモデルトレーニングを可能にする。
  論文  参考訳（メタデータ） (2026-07-03T12:04:43Z)
• Debiasing Message Passing to Mitigate Popularity Bias in GNN-based Collaborative Filtering [14.786952412297808]
  グラフニューラルネットワーク(GNN)に基づく協調フィルタリング(CF)モデルは,インタラクショングラフ上でユーザイテム信号を伝搬することにより,レコメンデータシステムにおいて高い性能を達成する。 相互作用分布が歪んだり、高次の地区を横断する繰り返しメッセージが、ロングテールのものを抑えながら人気アイテムの影響を増幅するので、人気バイアスに非常に敏感である。 既存のデバイアスのアプローチでは、再重み付けの目的、正規化、因果法、後処理は、集約プロセスを通じて伝播するバイアスと直接対応しないため、GNNベースの設定では効果が低い。 大衆の疎外化をめざして
  論文  参考訳（メタデータ） (2026-05-11T18:48:58Z)
• Post-hoc Popularity Bias Correction in GNN-based Collaborative Filtering [7.582801684816001]
  協調フィルタリング(CF)における人気バイアスを補正するポストホック人気度デバイアス法(PPD)を提案する。 提案手法は,GNNに基づくCFにおいて,人気バイアス補正のための最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2025-10-14T20:10:08Z)
• Rethinking Relation Extraction: Beyond Shortcuts to Generalization with a Debiased Benchmark [53.876493664396506]
  ベンチマークは、機械学習アルゴリズムのパフォーマンスの評価、比較の促進、優れたソリューションの特定に不可欠である。 本稿では,関係抽出タスクにおけるエンティティバイアスの問題に対処する。 本稿では,エンティティの代替によって,エンティティ参照と関係型との擬似相関を破る不偏関係抽出ベンチマークDREBを提案する。 DREBの新たなベースラインを確立するために,データレベルとモデルトレーニングレベルを組み合わせたデバイアス手法であるMixDebiasを導入する。
  論文  参考訳（メタデータ） (2025-01-02T17:01:06Z)
• Towards Popularity-Aware Recommendation: A Multi-Behavior Enhanced Framework with Orthogonality Constraint [4.137753517504481]
  Top-K$レコメンデーションは、潜伏したユーザの好みを推測し、パーソナライズされたレコメンデーションを生成する。 マルチビヘイビアのtextbfSide textbfInformation を統合した textbfPopularity-aware top-$K$レコメンデーションアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-12-26T11:06:49Z)
• Optimizing Preference Alignment with Differentiable NDCG Ranking [9.594183083553245]
  近年の研究では、嗜好学習の理論的願望と実際の結果との間にかなりの相違が明らかになっている。 本稿では、人間の嗜好調整を学習から学習までのタスクとみなす新しい手法である、アンダーラインDirectアンダーラインランキングアンダーライン最適化(O)を提案する。
  論文  参考訳（メタデータ） (2024-10-17T08:54:57Z)
• Preference Diffusion for Recommendation [50.8692409346126]
  DMベースのレコメンデータに適した最適化対象であるPreferDiffを提案する。 PreferDiffは、BPRをログライクなランキング目標に変換することで、ユーザの好みをよりよく把握する。 これはDMベースのレコメンデーション向けに特別に設計された、パーソナライズされたランキングの損失である。
  論文  参考訳（メタデータ） (2024-10-17T01:02:04Z)
• Permutative Preference Alignment from Listwise Ranking of Human Judgments [40.23480751285947]
  我々はNDCGを異なる代理損失で近似することで、エンドツーエンドのアライメントアルゴリズムを開発する。 我々は,NDCGに基づく手法により,B-T法よりも効率よくランキング精度を向上させることを示す。
  論文  参考訳（メタデータ） (2024-10-06T03:49:28Z)
• Bridging and Modeling Correlations in Pairwise Data for Direct Preference Optimization [75.1240295759264]
  本稿では,BMC という名前のペアデータにおけるブリッジ・アンド・モデリングの効果的なフレームワークを提案する。 目的の修正によって、ペアの選好信号の一貫性と情報性が向上する。 DPOだけではこれらの相関をモデル化し、ニュアンス付き変動を捉えるには不十分である。
  論文  参考訳（メタデータ） (2024-08-14T11:29:47Z)
• 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)
• 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)
• Unbiased Pairwise Learning to Rank in Recommender Systems [4.058828240864671]
  アルゴリズムをランク付けする偏見のない学習は、候補をアピールし、既に単一の分類ラベルを持つ多くのアプリケーションに適用されている。 本稿では,この課題に対処するための新しい非バイアス付きLTRアルゴリズムを提案する。 パブリックベンチマークデータセットと内部ライブトラフィックを用いた実験結果から,分類ラベルと連続ラベルのいずれにおいても提案手法の優れた結果が得られた。
  論文  参考訳（メタデータ） (2021-11-25T06:04:59Z)

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。