論文の概要: Robustness and User-Perceived Value of Popularity Calibration in Music Recommendation: A User Study

• arxiv url: http://arxiv.org/abs/2608.05402v1
• Date: Wed, 05 Aug 2026 20:44:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 17:43:06.664427
• Title: Robustness and User-Perceived Value of Popularity Calibration in Music Recommendation: A User Study
• Title（参考訳）: 音楽レコメンデーションにおける人気校正のロバストさとユーザ知覚価値--ユーザスタディ
• Abstract要約: 音楽レコメンデーションにおける人気校正の評価値と測定信頼性について検討した。 以上の結果から,利用者は人気構成の違いを認識できるが,リストが好まれるわけではないことが示唆された。 これらの知見は、オフラインメトリックとユーザ向けコンストラクトの両方として、人気校正のより批判的な理解に寄与する。
• 参考スコア（独自算出の注目度）: 10.734672773406439
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Popularity calibration in recommender systems has been studied both as a form of user-centered personalization and as an indicator of popularity bias. Most existing work evaluates calibration through offline metrics, often assuming that users prefer recommendation lists whose popularity distribution matches their historical consumption profile. However, user studies on calibration remain limited, and existing findings suggest that calibrated recommendations do not necessarily have a strong effect on user experience. Moreover, although prior work has shown that calibration metrics can correlate with users' perceptions of recommendation lists, the robustness of this relation remains unclear under different levels of item familiarity and incomplete user-history information. In this work, we study the perceived value and measurement reliability of popularity calibration in music recommendation. We construct personalized track lists from users' recent listening histories and use a controlled naive recommender to create lists with different popularity compositions: highpop-heavy, lowpop-heavy, and calibrated. We investigate whether users perceive differences between these lists, whether calibrated lists are preferred, how robust JSD-based popularity calibration is under different familiarity and history-availability conditions, and how computational popularity labels align with users' own popularity judgments. Our results show that users perceive differences in popularity composition, but do not clearly prefer calibrated lists. We further find that the relation between JSD and perceived popularity depends on item familiarity, list composition, and available user history, while computational and user-judged popularity labels only weakly align. These findings contribute to a more critical understanding of popularity calibration as both an offline metric and a user-facing construct.
• Abstract（参考訳）: 推薦システムにおける人気度校正は,ユーザ中心のパーソナライゼーションの一形態として,人気バイアスの指標として研究されている。 既存の作業の多くは、オフラインメトリクスによるキャリブレーションを評価し、人気分布が過去の消費プロファイルと一致するレコメンデーションリストをユーザが好むことを前提にしている。 しかし,キャリブレーションに関するユーザスタディは限定的であり,既存の知見からは,キャリブレーションされたレコメンデーションがユーザエクスペリエンスに強い影響を与えるとは限らないことが示唆されている。 さらに, 従来の研究から, 校正基準は推薦リストに対するユーザの認識と相関することが示されたが, この関係の堅牢性は, 項目の親しみやすさと不完全なユーザ履歴情報の下では明らかでない。 本研究では,音楽レコメンデーションにおける人気校正の評価値と測定信頼性について検討する。 我々は、ユーザの最近のリスニング履歴からパーソナライズされたトラックリストを構築し、コントロールされたナイーブレコメンデータを使用して、ハイポップヘビー、ローポップヘビー、キャリブレーションの異なる人気構成のリストを作成する。 ユーザがこれらのリストの違いを認識しているかどうか,キャリブレーションされたリストが好まれているかどうか,JSDベースの人気キャリブレーションが相違点や履歴対応条件でどの程度堅牢か,また,計算的人気ラベルがユーザの人気判断とどのように一致しているかを検討する。 以上の結果から,利用者は人気構成の違いを認識できるが,校正されたリストを好まないことがわかった。 さらに、JSDと認識される人気との関係は、アイテムの親しみやすさ、リストの構成、利用可能なユーザ履歴に依存しているのに対し、計算とユーザによる人気ラベルは弱みにしか一致しないことがわかった。 これらの知見は、オフラインメトリックとユーザ向けコンストラクトの両方として、人気校正のより批判的な理解に寄与する。

関連論文リスト

• Aligning Recommendations with User Popularity Preferences [2.1976433151201658]
  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。
  論文  参考訳（メタデータ） (2026-04-01T15:45:24Z)
• A Causal Information-Flow Framework for Unbiased Learning-to-Rank [52.54102347581931]
  Web検索とレコメンデーションシステムでは、ユーザクリックがランキングモデルのトレーニングに広く使用されている。 本稿では,Unbiased Learning-to-Rankを拡張する因果学習に基づく新たなランキングフレームワークを提案する。 本手法は測定されたバイアスリークを一貫して低減し,ランキング性能を向上させる。
  論文  参考訳（メタデータ） (2026-01-09T07:19:35Z)
• Scalable Utility-Aware Multiclass Calibration [53.28176049547449]
  ユーティリティキャリブレーション(英: Utility calibration)は、特定のユーティリティ関数に対するキャリブレーション誤差を測定する一般的なフレームワークである。 我々は、このフレームワークが既存のキャリブレーションメトリクスを統一し、再解釈する方法を実証する。
  論文  参考訳（メタデータ） (2025-10-29T12:32:14Z)
• Addressing Personalized Bias for Unbiased Learning to Rank [56.663619153713434]
  Unbiased Learning to rank (ULTR)は、バイアスのあるユーザの行動ログからバイアスのないランキングモデルを学ぶことを目的としている。 そこで本研究では,学習からランクへの目標値を求めるために,新しいユーザ認識逆確率スコア推定器を提案する。
  論文  参考訳（メタデータ） (2025-08-28T14:01:31Z)
• 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)
• 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)
• 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)
• Improving Recommendation System Serendipity Through Lexicase Selection [53.57498970940369]
  本稿では,レコメンデーションシステムにおけるエコーチャンバーとホモフィリーの存在を測定するための新しいセレンディピティー指標を提案する。 そこで我々は,レキシケース選択と呼ばれる親選択アルゴリズムを採用することにより,よく知られたレコメンデーション手法の多様性保存性の向上を試みる。 以上の結果から,レキシケースの選択とランキングの混合は,パーソナライゼーション,カバレッジ,セレンディピティー・ベンチマークにおいて,純粋にランク付けされている。
  論文  参考訳（メタデータ） (2023-05-18T15:37:38Z)
• A Study on Accuracy, Miscalibration, and Popularity Bias in Recommendations [6.694971161661218]
  異なるジャンルがレコメンデーションパフォーマンスの不整合に与える影響について検討する。 人気コンテンツへの関心がほとんどないユーザは、最悪のレコメンデーションの精度を得られる。 実験の結果,特定のジャンルがレコメンデーションパフォーマンスの不整合に異なる程度寄与していることが判明した。
  論文  参考訳（メタデータ） (2023-03-01T10:39:58Z)
• User-centered Evaluation of Popularity Bias in Recommender Systems [4.30484058393522]
  推薦とランク付けシステムは人気バイアスに悩まされ、アルゴリズムは人気アイテムを数種類選んで、他の項目の大半を下書きする傾向にある。 本稿では,これらのアルゴリズムをユーザの視点から評価したい場合に,人気バイアス軽減度を評価するための既存の指標の限界を示す。 ユーザ中心の視点から,人気バイアスを緩和する効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2021-03-10T22:12:51Z)

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。