論文の概要: MODE: Mutual Optimality in Direct Effects of Reciprocal Recommendations in Matching Markets

• arxiv url: http://arxiv.org/abs/2608.01731v1
• Date: Mon, 03 Aug 2026 05:54:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.342666
• Title: MODE: Mutual Optimality in Direct Effects of Reciprocal Recommendations in Matching Markets
• Title（参考訳）: MODE:マッチング市場における相互勧告の直接効果における相互最適性
• Abstract要約: 個人ユーザの推薦リストの「直接効果の最適性」の概念を定式化する。 そこで本研究では,直接効果の相互に最適なレコメンデーションを計算できる新しい手法であるMODEを提案する。
• 参考スコア（独自算出の注目度）: 0.7310043452300737
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Matching platforms such as job posting services and online dating platforms have become widely used over the past decade. For a matching platform to be successful, it is crucial to design appropriate reciprocal recommendation systems (RRSs) that consider the preferences of users on both sides (job candidates and employers) and prevent opportunities from being concentrated too heavily on a few popular users. However, prioritizing concentration mitigation too much can lead to recommending undesirable results to some individual users, resulting in their dissatisfaction. In this paper, we formulate the concept of ``optimality of direct effects'' of the recommendation list for an individual user, given the recommendations to other users. Furthermore, we propose a novel method, MODE, that computes mutually optimal recommendations in direct effects. Experiments with synthetic and real-world data demonstrate that MODE surpasses other existing methods in terms of mutual optimality of direct effects, exhibits faster processing speeds, and enables a higher expected number of matches.
• Abstract（参考訳）: 求人サービスやオンラインデートプラットフォームといったマッチングプラットフォームは、過去10年間で広く使われている。 マッチングプラットフォームが成功するためには、双方のユーザ(候補者や雇用主)の選好を考慮し、少数の人気ユーザに集中しすぎないようにするための適切な相互レコメンデーションシステム(RRS)を設計することが不可欠である。 しかし、集中緩和の優先順位付けが多すぎると、一部の個人ユーザーに望ましくない結果が推奨され、不満が生じる。 本稿では,利用者の推薦リストに「直接効果の最適性」という概念を定式化する。 さらに、直接効果の相互に最適なレコメンデーションを算出する新しい方法であるMODEを提案する。 合成および実世界のデータを用いた実験により、MODEは直接効果の相互最適性の観点から他の既存の手法を超越し、より高速な処理速度を示し、より多くのマッチを期待できることを示した。

関連論文リスト

• A Counterfactual Approach for Addressing Individual User Unfairness in Collaborative Recommender System [5.575728923132091]
  コラボレーティブ・フィルタリング(CF)は、ユーザとイテムのインタラクションから隠れパターンを学び、アイテムをユーザに推奨する、広く使われているRSの変種である。 従来のCFモデルによって提供される勧告は、しばしばバイアスを受ける。 本稿では,レコメンデーションにおける個人ユーザの不公平性を識別・緩和する二段階アプローチを提案する。
  論文  参考訳（メタデータ） (2026-02-24T15:08:12Z)
• 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)
• RecGPT Technical Report [57.84251629878726]
  本稿では,レコメンデーションパイプラインの中心にユーザの意図を配置する次世代フレームワークRecGPTを提案する。 RecGPTは、大きな言語モデルをユーザ関心のマイニング、アイテム検索、説明生成のキーステージに統合する。 オンライン実験では、RecGPTが利害関係者間で一貫したパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-07-30T17:55:06Z)
• Recommendation and Temptation [3.734925590025741]
  エンリッチメントと誘惑の緊張を明示的にモデル化する新しいレコメンデーション設計を提案する。 私たちの仕事は、よりニュアンスでユーザ中心の推奨設計へのパラダイムシフトを表しています。
  論文  参考訳（メタデータ） (2024-12-13T22:44:22Z)
• Context-aware adaptive personalised recommendation: a meta-hybrid [0.41436032949434404]
  機械学習を用いて最適なアルゴリズムを予測するメタハイブリッドレコメンデータを提案する。 提案モデルに基づいて、どのレコメンデータがユーザに最も正確なレコメンデーションを提供するかを予測できる。
  論文  参考訳（メタデータ） (2024-10-17T09:24:40Z)
• 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)
• Towards Efficient Exact Optimization of Language Model Alignment [93.39181634597877]
  嗜好データから直接ポリシーを最適化するために、直接選好最適化(DPO)が提案された。 問題の最適解に基づいて導出されたDPOが,現実の最適解の妥協平均探索近似に繋がることを示す。 本稿では、アライメント目的の効率的な精度最適化(EXO)を提案する。
  論文  参考訳（メタデータ） (2024-02-01T18:51:54Z)
• Improving Recommendation Fairness via Data Augmentation [66.4071365614835]
  協調フィルタリングに基づくレコメンデーションは、すべてのユーザの過去の行動データからユーザの好みを学習し、意思決定を容易にするために人気がある。 ユーザの敏感な属性に応じて異なるユーザグループに対して等しく機能しない場合には,レコメンダシステムは不公平であると考えられる。 本稿では,データ拡張の観点から,レコメンデーションフェアネスを改善する方法について検討する。
  論文  参考訳（メタデータ） (2023-02-13T13:11:46Z)
• Probabilistic Rank and Reward: A Scalable Model for Slate Recommendation [7.764107702934617]
  Probabilistic Rank and Reward (PRR)は、パーソナライズされたスレートレコメンデーションのためのスケーラブルな確率モデルである。 得られた報酬を組み合わせることで,スレートが成功する確率を効率的に学習できることが示される。
  論文  参考訳（メタデータ） (2022-08-10T13:18:00Z)
• Introducing a Framework and a Decision Protocol to Calibrate Recommender Systems [0.0]
  本稿では,ジャンルの校正バランスを考慮したレコメンデーションリスト作成手法を提案する。 主な主張は、キャリブレーションはより公平なレコメンデーションを生み出すために肯定的に貢献できるということである。 本稿では,1000以上の校正システムの組み合わせを生成するための概念的フレームワークと決定プロトコルを提案する。
  論文  参考訳（メタデータ） (2022-04-07T19:30:55Z)
• Reward Constrained Interactive Recommendation with Natural Language Feedback [158.8095688415973]
  制約強化強化学習(RL)フレームワークを提案する。 具体的には,ユーザの過去の嗜好に反するレコメンデーションを検出するために,識別器を利用する。 提案するフレームワークは汎用的であり,制約付きテキスト生成のタスクにさらに拡張されている。
  論文  参考訳（メタデータ） (2020-05-04T16:23:34Z)

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。