論文の概要: Echoes in Filter Bubble: Diagnosing and Curing Popularity Bias in Generative Recommenders

• arxiv url: http://arxiv.org/abs/2605.16825v1
• Date: Sat, 16 May 2026 06:02:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.109763
• Title: Echoes in Filter Bubble: Diagnosing and Curing Popularity Bias in Generative Recommenders
• Title（参考訳）: フィルターバブルのエコー:ジェネレーションレコメンデーションにおける人気バイアスの診断と評価
• Authors: Jun Yin, Bangguo Zhu, Peng Huo, Ruochen Liu, Hao Chen, Senzhang Wang, Shirui Pan, Chengqi Zhang,
• Abstract要約: 本研究では,ジェネレーティブ・フレームワークの最適化とセマンティック・インデックスに基づくアイテム・トークン化に焦点を当てた。 理論的解析から,トークンレベルの最適化欠陥とアイテムトークン化の未分化特性の相違から,厳密な人気バイアスが生じることを確認した。 本研究では、非対称な異種最適化と骨格を基盤としたトークン化を設計し、Ghostと呼ばれる新しい生成レコメンデーションシステムを開発した。
• 参考スコア（独自算出の注目度）: 65.5347571901244
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, Generative Recommenders (GRs), characterized by a unified end-to-end framework, have exhibited astonishing potential in transforming the recommendation paradigm. Despite their effectiveness, we recognize that GRs are still susceptible to the long-standing issue of popularity bias that has pervaded the recommendation community. Although a few studies have attempted to extend traditional debiasing methods to GRs, their effectiveness is marginal, and the fundamental reason why GRs suffer from popularity bias remains under-explored. To bridge this gap, this study focuses on two core aspects in GRs: the optimization of generative framework and the item tokenization based on semantic index. Based on theoretical analyses, we identify that the severe popularity bias emerges from the confluence of a token-level optimization flaw and the undifferentiated property of item tokenization. Accordingly, this study develops a novel generative recommender system, called Ghost, by designing the asymmetric unlikelihood optimization and the skeleton-founded tokenization. Extensive empirical evaluations across three datasets, alongside multiple SOTA baselines, reveal that Ghost substantially alleviates popularity bias and promotes fairer recommendations, while incurring slight degradation to the overall recommendation utility.
• Abstract（参考訳）: 近年,GA(Generative Recommenders)は,一貫したエンドツーエンドフレームワークを特徴とする,推薦パラダイムを変革する驚くべき可能性を示している。 その効果にもかかわらず、GRは依然として、リコメンデーションコミュニティに浸透した長きにわたる人気バイアスの問題の影響を受けやすいことを認識しています。 従来の嫌悪法をGRに拡張しようとする研究はいくつかあるが、その効果は限界であり、GRが人気バイアスに苦しむ根本的な理由は未解明のままである。 このギャップを埋めるために、本研究では、生成フレームワークの最適化とセマンティックインデックスに基づくアイテムトークン化という、GRの2つの中核的な側面に焦点を当てた。 理論的解析から,トークンレベルの最適化欠陥とアイテムトークン化の未分化特性の相違から,厳密な人気バイアスが生じることを確認した。 そこで本研究では,非対称な異種最適化と骨格を基盤としたトークン化を設計し,Ghostと呼ばれる新たな生成レコメンデーションシステムを開発した。 3つのデータセットにわたる大規模な経験的評価は、複数のSOTAベースラインとともに、Ghostが人気バイアスを大幅に軽減し、より公正なレコメンデーションを促進する一方で、全体的なレコメンデーションユーティリティをわずかに劣化させることを明らかにした。

関連論文リスト

• Bringing Reasoning to Generative Recommendation Through the Lens of Cascaded Ranking [107.09842504618369]
  ジェネレーティブ・レコメンデーション(GR)は、資源効率の高いレコメンデーションのために、FLOPSの利用率の高いエンド・ツー・エンドのアプローチとして期待されている。 現在のGRモデルは,トークン生成が進むにつれてトークンレベルのバイアスがエスカレートする,重要なtextbfbias増幅問題に悩まされていることを示す。 バイアス増幅問題に対処するためには、GR to 1) がより異質な情報を導入し、2) トークン生成ステップごとにより大きな計算資源を割り当てることが重要である。
  論文  参考訳（メタデータ） (2026-02-03T16:10:54Z)
• Your Group-Relative Advantage Is Biased [74.57406620907797]
  グループベースの学習手法は、学習評論家を避けるためにグループ相対的な優位性推定に依存する。 群相対的優位推定器は、真の(予想された)優位性に対して本質的に偏りがある。 適応的再重み付け方式であるヒストリー・アウェア適応困難度重み付け(HA-DW)を提案する。
  論文  参考訳（メタデータ） (2026-01-13T13:03:15Z)
• Exploring the Escalation of Source Bias in User, Data, and Recommender System Feedback Loop [65.23044868332693]
  我々は,AIGC(AIGC)がレコメンダシステムの性能と力学に与える影響について検討する。 短期的には、AIGCに対する偏見はLLMベースのコンテンツ作成を促進し、AIGCコンテンツを増大させ、不公平なトラフィック分散を引き起こす。 長期コンテンツエコシステムのバランスを維持するため,L1-loss最適化に基づくデバイアス化手法を提案する。
  論文  参考訳（メタデータ） (2024-05-28T09:34:50Z)
• How Do Recommendation Models Amplify Popularity Bias? An Analysis from the Spectral Perspective [26.949692163589226]
  勧告システム(RS)は、しばしば人気バイアスに悩まされる。 本研究は,本現象の根本原因を明らかにするための包括的実験および理論的解析を行う。 本稿では、スペクトルノルム正規化器を利用して主特異値の大きさをペナルティ化する新しいデバイアスング戦略を提案する。
  論文  参考訳（メタデータ） (2024-04-18T08:59:32Z)
• Contrastive Learning for Debiased Candidate Generation in Large-Scale Recommender Systems [84.3996727203154]
  コントラスト損失の一般的な選択は、逆確率重み付けによる露光バイアスの低減と等価であることを示す。 我々はCLRecをさらに改良し、マルチCLRecを提案する。 提案手法は,少なくとも4ヶ月のオンラインA/Bテストとオフライン分析が実施され,大幅に改善されている。
  論文  参考訳（メタデータ） (2020-05-20T08:15:23Z)

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。