論文の概要: Aligning Recommendations with User Popularity Preferences

• arxiv url: http://arxiv.org/abs/2604.01036v1
• Date: Wed, 01 Apr 2026 15:45:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:32.065849
• Title: Aligning Recommendations with User Popularity Preferences
• Title（参考訳）: ユーザの人気度を優先したレコメンデーションのアライメント
• Authors: Mona Schirmer, Anton Thielmann, Pola Schwöbel, Thomas Martynec, Giuseppe Di Benedetto, Ben London, Yannik Stein,
• Abstract要約: 人気度バイアスはレコメンデーションシステムにおいて広範囲にわたる問題であり、レコメンデーションは人気アイテムを不均等に好んでいる。 本研究はユーザ・リコメンダアライメントのレンズを通して人気バイアスを研究する。 本研究では,アクティベーションステアリングに基づく逐次リコメンデータの推論時間緩和手法であるSPREEを提案する。
• 参考スコア（独自算出の注目度）: 2.1976433151201658
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Popularity bias is a pervasive problem in recommender systems, where recommendations disproportionately favor popular items. This not only results in "rich-get-richer" dynamics and a homogenization of visible content, but can also lead to misalignment of recommendations with individual users' preferences for popular or niche content. This work studies popularity bias through the lens of user-recommender alignment. To this end, we introduce Popularity Quantile Calibration, a measurement framework that quantifies misalignment between a user's historical popularity preference and the popularity of their recommendations. Building on this notion of popularity alignment, we propose SPREE, an inference-time mitigation method for sequential recommenders based on activation steering. SPREE identifies a popularity direction in representation space and adaptively steers model activations based on an estimate of each user's personal popularity bias, allowing both the direction and magnitude of steering to vary across users. Unlike global debiasing approaches, SPREE explicitly targets alignment rather than uniformly reducing popularity. Experiments across multiple datasets show that SPREE consistently improves user-level popularity alignment while preserving recommendation quality.
• Abstract（参考訳）: 人気度バイアスはレコメンデーションシステムにおいて広範囲にわたる問題であり、レコメンデーションは人気アイテムを不均等に好んでいる。 これは「リッチ・ゲット・リッチ」なダイナミックスと可視コンテンツの均質化をもたらすだけでなく、人気コンテンツやニッチコンテンツに対するユーザーの好みによるレコメンデーションの誤調整につながる可能性がある。 本研究はユーザ・リコメンダアライメントのレンズを通して人気バイアスを研究する。 そこで本稿では,ユーザの過去の人気度と推奨事項の相違点を定量化するためのフレームワークであるPopularity Quantile Calibrationを紹介する。 本研究では,この人気アライメントの概念に基づいて,アクティベーションステアリングに基づく逐次リコメンデータの推論時間緩和手法であるSPREEを提案する。 SPREEは、各ユーザの個人人気バイアスの推定値に基づいて、表現空間における人気方向を特定し、モデルアクティベーションを適応的に操る。 グローバルデバイアスのアプローチとは異なり、SPREEは人気を均一に減少させるのではなく、アライメントを明示的にターゲットとしている。 複数のデータセットにまたがる実験により、SPREEは推奨品質を維持しながら、ユーザーレベルの人気アライメントを一貫して改善している。

関連論文リスト

• Tree of Preferences for Diversified Recommendation [54.183647833064136]
  データバイアスの観点から、多種多様な推薦について検討する。 本研究では,世界知識を活用したゼロショット推論における大規模言語モデル(LLM)の卓越した性能に着想を得て,新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-12-24T04:13:17Z)
• 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)
• Exploring the Effect of Context-Awareness and Popularity Calibration on Popularity Bias in POI Recommendations [1.389360509566256]
  POI(Point-of-interest)レコメンデーターシステムは、ユーザが関連する場所を見つけるのに役立つが、その効果は人気バイアスによってしばしば損なわれる。 本稿では、文脈認識モデルの有効性を評価し、人気バイアスを緩和するための戦略として人気手法を校正する。
  論文  参考訳（メタデータ） (2025-07-04T11:56:11Z)
• Taming Recommendation Bias with Causal Intervention on Evolving Personal Popularity [21.645389873171908]
  人気度バイアスは、人気のあるアイテムがより頻繁に推奨されるときに発生する。 既存のデバイアス手法は、人気バイアスを全ユーザーに対して均一に緩和する。 本稿では,推薦バイアスに対処するためのCausalEPP(Causal Intervention on Evolving Personal Popularity)という新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-05-20T12:59:16Z)
• 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)
• 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)
• Enhancing Sequential Music Recommendation with Personalized Popularity Awareness [56.972624411205224]
  本稿では、パーソナライズされた人気情報をシーケンシャルなレコメンデーションに組み込む新しいアプローチを提案する。 実験結果から、パーソナライズされた最もポピュラーなレコメンデータは、既存の最先端モデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-06T15:05:12Z)
• Large Language Models as Recommender Systems: A Study of Popularity Bias [46.17953988777199]
  人気アイテムは不釣り合いに推奨され、あまり人気がないが、潜在的に関連のあるアイテムを誇張している。 近年,汎用大規模言語モデルのレコメンデーションシステムへの統合が進んでいる。 本研究は,LLMがレコメンデーションシステムにおける人気バイアスに寄与するか否かを検討する。
  論文  参考訳（メタデータ） (2024-06-03T12:53:37Z)

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。