論文の概要: Accurate and Diverse Recommendations via Propensity-Weighted Linear Autoencoders

• arxiv url: http://arxiv.org/abs/2512.20896v1
• Date: Wed, 24 Dec 2025 02:44:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-25 19:43:21.657091
• Title: Accurate and Diverse Recommendations via Propensity-Weighted Linear Autoencoders
• Title（参考訳）: Propensity-Weighted Linear Autoencoders による高精度・多変量レコメンデーション
• Authors: Kazuma Onishi, Katsuhiko Hayashi, Hidetaka Kamigaito,
• Abstract要約: 実世界のレコメンデーションシステムでは、ユーザとイテムのインタラクションは、MNAR(Missing Not At Random)である。 Inverse Propensity Scoring (IPS) は広く使われており、一般的にはアイテムの相互作用周波数のパワー則関数に基づいて確率をモデル化する。 我々は、人気アイテムを過度に罰することなく、より広い項目の推薦を可能にするために、適合度スコアを再定義することでこの問題に対処する。
• 参考スコア（独自算出の注目度）: 30.706952059148097
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In real-world recommender systems, user-item interactions are Missing Not At Random (MNAR), as interactions with popular items are more frequently observed than those with less popular ones. Missing observations shift recommendations toward frequently interacted items, which reduces the diversity of the recommendation list. To alleviate this problem, Inverse Propensity Scoring (IPS) is widely used and commonly models propensities based on a power-law function of item interaction frequency. However, we found that such power-law-based correction overly penalizes popular items and harms their recommendation performance. We address this issue by redefining the propensity score to allow broader item recommendation without excessively penalizing popular items. The proposed score is formulated by applying a sigmoid function to the logarithm of the item observation frequency, maintaining the simplicity of power-law scoring while allowing for more flexible adjustment. Furthermore, we incorporate the redefined propensity score into a linear autoencoder model, which tends to favor popular items, and evaluate its effectiveness. Experimental results revealed that our method substantially improves the diversity of items in the recommendation list without sacrificing recommendation accuracy.
• Abstract（参考訳）: 現実世界のレコメンデーションシステムでは、ユーザとイテムのインタラクションは、人気が低いものよりも頻繁に観察されるため、MNAR(Missing Not At Random)と呼ばれる。 欠落した観察は、レコメンデーションを頻繁に対話するアイテムにシフトさせ、レコメンデーションリストの多様性を低下させる。 この問題を緩和するために、逆プロペンシティ・スコーリング(IPS)が広く使われ、アイテムの相互作用周波数のパワー-ロー関数に基づいて、一般的には確率をモデル化する。 しかし,このような権限法に基づく修正は人気項目を過度に罰し,推奨性能を損なうことが判明した。 我々は、人気アイテムを過度に罰することなく、より広い項目の推薦を可能にするために、適合度スコアを再定義することでこの問題に対処する。 提案したスコアは、アイテム観測周波数の対数にシグモイド関数を適用し、より柔軟な調整を可能にしつつ、パワーロースコアの単純さを維持することで定式化される。 さらに,再定義された妥当性スコアを線形オートエンコーダモデルに組み込み,その有効性を評価する。 その結果,提案手法は推薦精度を犠牲にすることなく,推薦リストの項目の多様性を大幅に改善することがわかった。

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)
• Balancing Accuracy and Novelty with Sub-Item Popularity [54.56622169534604]
  本稿では,RecJPQフレームワーク内でのサブIDレベルのパーソナライズされた人気の新たな統合を提案する。 提案手法は,レコメンデーション精度を損なうことなく,パーソナライズドノベルティを著しく向上させることにより,アイテムレベルのPSSを一貫して上回ります。
  論文  参考訳（メタデータ） (2025-08-07T09:33:32Z)
• Repeat-bias-aware Optimization of Beyond-accuracy Metrics for Next Basket Recommendation [54.5376993040561]
  次のバスケットレコメンデーション(NBR)では、過去のバスケットシーケンスに基づいて、一連のアイテムをユーザに推奨する。 最先端のNBR手法のいくつかは、有効性を最大化するために繰り返し項目を推奨するために非常に偏りがある。 我々は、繰り返しバイアスを考慮せずに、多様性やアイテムフェアネスを最適化するだけで、NBRアルゴリズムがより多くの反復アイテムを推奨する可能性があることを発見した。
  論文  参考訳（メタデータ） (2025-01-10T21:58:34Z)
• Correcting Popularity Bias in Recommender Systems via Item Loss Equalization [1.7771454131646311]
  人気アイテムの小さなセットが、高い相互作用率のために推奨結果を支配している。 この現象は、ニッチな興味のある人を無視しながら、メインストリームの趣味を持つユーザーに不当に利益をもたらす。 本稿では,推薦モデルのトレーニングプロセスに介入することで,この問題に対処するプロセス内アプローチを提案する。
  論文  参考訳（メタデータ） (2024-10-07T08:34:18Z)
• 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)
• Improving Recommendation Relevance by simulating User Interest [77.34726150561087]
  不活発な項目のランクを反復的に減らすことにより、リコメンデーション"レコメンデーション"が、簡単かつ透過的に維持可能であることを観察する。 この研究の背景にある基本的なアイデアは、オンラインレコメンデーションシステムの文脈で特許を取得している。
  論文  参考訳（メタデータ） (2023-02-03T03:35:28Z)
• Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
  本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。 AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。 誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:32:51Z)
• 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)
• An Adaptive Boosting Technique to Mitigate Popularity Bias in Recommender System [1.5800354337004194]
  一般的な精度尺度は人気項目に偏りがあり、非人気項目と比較して人気項目の精度が向上する。 本稿では,人気項目と非人気項目の誤りの差として,人気バイアスを測定する指標について考察する。 そこで本研究では,データ中の人気バイアスを低減させるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-09-13T03:04:55Z)

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。