論文の概要: When Recommendation Denoising Meets Popularity Bias: Understanding and Mitigating Their Interaction

• arxiv url: http://arxiv.org/abs/2606.14046v1
• Date: Fri, 12 Jun 2026 02:46:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.718821
• Title: When Recommendation Denoising Meets Popularity Bias: Understanding and Mitigating Their Interaction
• Title（参考訳）: Recommendation Denoisingが大衆バイアスに遭遇する時--その相互作用の理解と緩和
• Authors: Guohang Zeng, Jie Lu, Guangquan Zhang,
• Abstract要約: Popularity-Aware Denoising (PAD) は軽量なプラグインフレームワークであり、アイテムの人気によってデノイングの強度を調節する。 PADは、高度に露出したアイテムに対してより強い装飾を施し、テールアイテムに対してより保守的であり、よりクリーンだが硬いロングテール信号を保持する。
• 参考スコア（独自算出の注目度）: 20.30181867674057
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Implicit feedback is the dominant data source for recommender systems, but behavioral logs are often contaminated by false-positive interactions caused by mis-clicks, biased exposure, and interface effects. Denoising recommendation methods improve robustness by down-weighting or filtering interactions suspected to be noisy, often relying on the small-loss heuristic. We revisit this heuristic through the lens of popularity bias. Tail-item positives can be harder to fit because they are sparsely observed, and thus may receive larger losses even when they reflect genuine user preference. Under such popularity-dependent loss patterns, monotone loss-based reweighting can suppress clean-but-hard tail signals and increase the head-tail imbalance in effective supervision. We formalize this interaction through the effective head-tail signal ratio induced by denoising weights and derive a conditional reallocation result: when the loss distribution of tail positives is right-shifted relative to that of head positives, small-loss reweighting increases the effective head-tail signal ratio compared with ERM. Motivated by this analysis, we propose Popularity-Aware Denoising (PAD), a lightweight plug-in framework that modulates denoising strength by item popularity. PAD applies stronger denoising to highly exposed items while being more conservative on tail items, preserving more clean-but-hard long-tail signals. Experiments on three datasets and three backbones show that PAD generally improves over representative denoising baselines and provides favorable accuracy-diversity tradeoffs, especially on MF-style recommenders.
• Abstract（参考訳）: インプシットフィードバックはレコメンデータシステムの主要なデータソースであるが、動作ログは、誤クリック、偏りのある露出、インターフェース効果によって引き起こされる偽陽性の相互作用によって汚染されることが多い。 推薦手法のデノイングは、ノイズの疑いのある相互作用を減量したりフィルタリングすることで堅牢性を改善し、しばしば小さめのヒューリスティックに依存している。 我々は人気バイアスのレンズを通してこのヒューリスティックを再考する。 Tail-item陽性は、わずかに観察されているため適合しにくいため、真のユーザの好みを反映しても大きな損失を被る可能性がある。 このような人気に依存した損失パターンの下では、モノトン損失に基づく再重み付けは、クリーンだがハードなテール信号を抑制し、効果的な監視においてヘッドテールの不均衡を増大させる。 重み付けによって誘導される有効ヘッドテール信号比を用いてこの相互作用を定式化し, テール正の損失分布が頭部正の損失に対して右シフトした場合, 小型再重み付けはEMMと比較して有効ヘッドテール信号比を増大させる。 この分析に触発され,アイテムの人気度を調節する軽量なプラグインフレームワークであるPopularity-Aware Denoising (PAD)を提案する。 PADは、高度に露出したアイテムに対してより強い装飾を施し、テールアイテムに対してより保守的であり、よりクリーンだが硬いロングテール信号を保持する。 3つのデータセットと3つのバックボーンの実験により、PADは一般的にベースラインの表現よりも改善され、特にMFスタイルの推奨者に対して、好ましい精度と多様性のトレードオフを提供することが示された。

関連論文リスト

• PEARL: Unbiased Percentile Estimation via Contrastive Learning for Industrial-Scale Livestream Recommendation [12.925115008779166]
  ユーザインタラクションデータに基づいてトレーニングされたレコメンダシステムは,行動強度の不均衡の影響を受けやすい。 この不均衡は、観測された相互作用が真の嗜好を忠実に反映しないようなフィードバックシグナルを歪める。 絶対エンゲージメントの程度ではなく,相対的な選好信号をモデル化する非パラメトリックなパーセンタイル近似フレームワーク PEARL を提案する。
  論文  参考訳（メタデータ） (2026-05-20T21:25:41Z)
• CausalRM: Causal-Theoretic Reward Modeling for RLHF from Observational User Feedbacks [65.44788139573144]
  我々は、スケーラブルで費用対効果の高い代替手段として、観察的報酬モデル(観察的ユーザフィードバックを伴う報酬モデル)を導入します。 CaulRMは、観察フィードバックから偏見のない報酬モデルを学ぶことを目指している。 実験では、CausalRMがノイズや偏りのある観測フィードバックから正確な報酬信号を効果的に学習することを検証する。
  論文  参考訳（メタデータ） (2026-03-19T10:37:34Z)
• Semantics-Aware Denoising: A PLM-Guided Sample Reweighting Strategy for Robust Recommendation [4.631922211808715]
  ユーザクリックのような暗黙のフィードバックは、現代のレコメンデータシステムの主要なデータソースとして機能する。 本稿では,ユーザの関心事とアイテムコンテンツ間のセマンティックな一貫性を活用して,潜在的ノイズのあるインタラクションを識別し,ダウンウェイトするSAID(Semantics-Aware Implicit Denoising)を提案する。 2つの実世界のデータセットの実験は、SAIDが強いベースラインよりもAUCの2.2%の相対的な改善を達成し、リコメンデーションパフォーマンスを継続的に改善することを示した。
  論文  参考訳（メタデータ） (2026-02-17T04:58:21Z)
• How RLHF Amplifies Sycophancy [23.213056717401418]
  大規模言語モデルは、好みに基づく後訓練後、しばしばサイコファンティックな振る舞いを増大させる。 我々は、アライメントに使用する人間の嗜好データにおいて、学習した報酬に対する最適化とバイアスを因果的に関連付ける明示的な増幅機構を同定する。 本稿では,増幅機構自体を中和する訓練時間介入を提案する。
  論文  参考訳（メタデータ） (2026-02-01T03:46:14Z)
• The Unfairness of Multifactorial Bias in Recommendation [68.35079031029616]
  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。
  論文  参考訳（メタデータ） (2026-01-19T08:37:43Z)
• User Hesitation and Negative Transfer in Multi-Behavior Recommendation [55.78729938627577]
  HNTと呼ばれる弱信号学習に焦点を当てた推薦フレームワークを提案する。 標的行動につながる補助行動の特徴を学習することにより、HNTは標的行動を引き起こすことのない類似の補助行動を特定する。 3つの実世界のデータセットの実験では、HNTはHR@10とNDCG@10をそれぞれ12.57%、14.37%改善している。
  論文  参考訳（メタデータ） (2025-11-08T02:45:32Z)
• Rethinking Purity and Diversity in Multi-Behavior Sequential Recommendation from the Frequency Perspective [48.60281642851056]
  レコメンデーションシステムでは、ユーザーはブラウジング、クリック、購入などの複数の行動を示すことが多い。 いくつかの行動データは、ユーザー興味のモデリングにも避けられないノイズをもたらします。 これらの研究は、低周波情報は価値があり信頼性が高い傾向にあり、高周波情報はしばしばノイズと関連していることを示している。
  論文  参考訳（メタデータ） (2025-08-28T04:55:02Z)
• Personalized Denoising Implicit Feedback for Robust Recommender System [60.719158008403376]
  ユーザの個人的損失分布には,正常なインタラクションとノイズの多いインタラクションが明確に区別されていることを示す。 本稿では,ユーザのパーソナライズロス分布であるPLDを用いてDenoiseに対する再サンプリング戦略を提案する。
  論文  参考訳（メタデータ） (2025-02-01T07:13:06Z)
• 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)

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。