論文の概要: The Unfairness of Multifactorial Bias in Recommendation

• arxiv url: http://arxiv.org/abs/2601.12828v1
• Date: Mon, 19 Jan 2026 08:37:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.812786
• Title: The Unfairness of Multifactorial Bias in Recommendation
• Title（参考訳）: 勧告における多因子バイアスの不公平性
• Authors: Masoud Mansoury, Jin Huang, Mykola Pechenizkiy, Herke van Hoof, Maarten de Rijke,
• Abstract要約: 人気バイアスと肯定バイアスは推薦システムにおいて顕著なバイアス源である。 本研究では,多因子バイアスが項目側の公平性にどのように影響するかを検討する。 我々は、多因子バイアスを軽減するために、パーセンタイルに基づく評価変換を前処理戦略として適用する。
• 参考スコア（独自算出の注目度）: 68.35079031029616
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Popularity bias and positivity bias are two prominent sources of bias in recommender systems. Both arise from input data, propagate through recommendation models, and lead to unfair or suboptimal outcomes. Popularity bias occurs when a small subset of items receives most interactions, while positivity bias stems from the over-representation of high rating values. Although each bias has been studied independently, their combined effect, to which we refer to as multifactorial bias, remains underexplored. In this work, we examine how multifactorial bias influences item-side fairness, focusing on exposure bias, which reflects the unequal visibility of items in recommendation outputs. Through simulation studies, we find that positivity bias is disproportionately concentrated on popular items, further amplifying their over-exposure. Motivated by this insight, we adapt a percentile-based rating transformation as a pre-processing strategy to mitigate multifactorial bias. Experiments using six recommendation algorithms across four public datasets show that this approach improves exposure fairness with negligible accuracy loss. We also demonstrate that integrating this pre-processing step into post-processing fairness pipelines enhances their effectiveness and efficiency, enabling comparable or better fairness with reduced computational cost. These findings highlight the importance of addressing multifactorial bias and demonstrate the practical value of simple, data-driven pre-processing methods for improving fairness in recommender systems.
• Abstract（参考訳）: 人気バイアスと肯定バイアスは、推薦システムにおける2つの顕著なバイアス源である。 どちらも入力データから発生し、レコメンデーションモデルを通じて伝播し、不公平または準最適結果をもたらす。 人気バイアスは、少数の項目がほとんどの相互作用を受け取っているのに対して、肯定バイアスは高い評価値の過剰表現に由来する。 それぞれのバイアスは独立に研究されているが、それらの組み合わせ効果は多因子バイアス(英語版)と呼ばれ、未解明のままである。 本研究では,多因子偏差が項目側の公平性にどのように影響するかを考察し,被曝偏差に着目し,推薦出力における項目の不均一な可視性を反映する。 シミュレーション研究により, 肯定バイアスが人気項目に不均等に集中していることが判明した。 この洞察に触発され、多因子バイアスを軽減するための前処理戦略としてパーセンタイルベースのレーティング変換を適用します。 4つの公開データセットにわたる6つの推奨アルゴリズムを用いた実験は、このアプローチが無視できる精度損失による露光公正性を改善することを示している。 また、この前処理ステップを後処理の公正性パイプラインに組み込むことで、その効率性と効率が向上し、計算コストを削減できることを示す。 これらの知見は、多因子バイアスに対処することの重要性を強調し、リコメンダシステムにおける公正性向上のための、単純でデータ駆動型の事前処理手法の実用的価値を示す。

関連論文リスト

• Unbiased Collaborative Filtering with Fair Sampling [31.8123420283795]
  評価バイアスは,トレーニング中の確率要因の影響から生じる。 本稿では,各ユーザと各アイテムが正と負の両方のインスタンスとして選択される確率が等しいことを保証したフェアサンプリング(FS)手法を提案する。
  論文  参考訳（メタデータ） (2025-02-19T15:59:49Z)
• 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)
• Take Care of Your Prompt Bias! Investigating and Mitigating Prompt Bias in Factual Knowledge Extraction [56.17020601803071]
  近年の研究では、事前学習言語モデル(PLM)が、事実知識抽出において「急激なバイアス」に悩まされていることが示されている。 本稿では,突発バイアスを徹底的に調査し緩和することにより,既存のベンチマークの信頼性を向上させることを目的とする。
  論文  参考訳（メタデータ） (2024-03-15T02:04:35Z)
• On Comparing Fair Classifiers under Data Bias [42.43344286660331]
  本研究では,データ偏差の変化が公正分類器の精度と公平性に及ぼす影響について検討する。 我々の実験は、既存のフェアネスダッシュボードにデータバイアスリスクの尺度を統合する方法を示している。
  論文  参考訳（メタデータ） (2023-02-12T13:04:46Z)
• 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)
• Information-Theoretic Bias Reduction via Causal View of Spurious Correlation [71.9123886505321]
  本稿では,スプリアス相関の因果的解釈による情報理論バイアス測定手法を提案する。 本稿では,バイアス正規化損失を含むアルゴリズムバイアスに対する新しいデバイアスフレームワークを提案する。 提案したバイアス測定とデバイアス法は、多様な現実シナリオで検証される。
  論文  参考訳（メタデータ） (2022-01-10T01:19:31Z)

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。