論文の概要: Why didn't more people see it? Recommendation: Transparency for providers

• arxiv url: http://arxiv.org/abs/2608.21641v1
• Date: Fri, 21 Aug 2026 21:21:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.348156
• Title: Why didn't more people see it? Recommendation: Transparency for providers
• Title（参考訳）: なぜ多くの人がそれを見なかったのか? Recommendation: Transparency for providers
• Abstract要約: 本稿では,システムレベルでのアイテム露出を説明するための代理モデリング手法を提案する。 それぞれの特徴の寄与を定量化することにより、推奨モデルの決定を導く要因を説明する。 その結果,サロゲートモデルでは,高い忠実度を有する3人の推薦者のグローバルな行動が捉えられることがわかった。
• 参考スコア（独自算出の注目度）: 0.9467877750964591
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transparency in recommender systems has been widely studied from the perspective of those receiving recommendations, yet the needs of item providers, the creators whose content is distributed through these platforms, remain largely unexplored. Providers often lack insight into how their items do or do not receive exposure in users' recommendation lists. In this work, we address this gap by proposing a surrogate modeling approach to explain item exposure at a system level. Rather than explaining individual user-item pairs, we train a proxy model to approximate the exposure distribution produced by a recommender. By quantifying the contribution of each feature, we seek to explain the factors driving the recommendation model's decisions across the entire user base. We evaluate our approach on two datasets and three recommendation models. Results show that the surrogate model captures the global behavior of all three recommenders with high fidelity and that the most influential factors vary meaningfully across models and domains.
• Abstract（参考訳）: 推薦システムにおける透明性は、レコメンデーションを受ける人たちの観点から広く研究されてきたが、これらのプラットフォームを通じてコンテンツを配信するクリエーターであるアイテムプロバイダのニーズは、いまだに明らかにされていない。 プロバイダは、自分のアイテムがどのように動作するか、あるいはユーザのレコメンデーションリストで露出を受け取らないか、洞察を欠くことが多い。 本稿では,システムレベルでのアイテム露出を説明するために代理モデリング手法を提案することで,このギャップに対処する。 個々のユーザとイテムのペアを説明するのではなく、プロキシモデルをトレーニングして、レコメンダが生成する露光分布を近似する。 各機能のコントリビューションを定量化することにより、ユーザベース全体にわたってレコメンデーションモデルの判断を駆動する要因を説明する。 提案手法を2つのデータセットと3つのレコメンデーションモデルで評価する。 その結果、サロゲートモデルは、高い忠実度を持つ3人の推薦者のグローバルな振る舞いを捉え、最も影響力のある要因はモデルやドメインによって有意に異なることがわかった。

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)
• A Reproducibility Study of Product-side Fairness in Bundle Recommendation [50.09508982179837]
  実世界の3つのデータセットにまたがるバンドルレコメンデーション(BR)における製品側の公正性について検討する。 以上の結果から,バンドルとアイテムの露出パターンが顕著に異なっており,公正な介入の必要性が示唆された。 また,多面的評価の必要性を増すため,測定値によって公正度の評価がかなり異なることも見いだした。
  論文  参考訳（メタデータ） (2025-07-18T20:06:39Z)
• Recommendation with User Active Disclosing Willingness [20.306413327597603]
  本研究では,ユーザが異なる行動を公開する上で,その「意志」を示すことを許される,新しい推薦パラダイムについて検討する。 我々は,推薦品質とユーザ開示意欲のバランスをとる上で,モデルの有効性を示すため,広範囲な実験を行った。
  論文  参考訳（メタデータ） (2022-10-25T04:43:40Z)
• Causal Disentanglement with Network Information for Debiased Recommendations [34.698181166037564]
  近年の研究では、因果的観点からレコメンデーターシステムをモデル化することで、デビアスを提案する。 この設定における重要な課題は、隠れた共同設立者を説明することだ。 我々は,ネットワーク情報(すなわち,ユーザ・ソーシャルおよびユーザ・イテムネットワーク)を活用して,隠れた共同創設者をよりよく近似することを提案する。
  論文  参考訳（メタデータ） (2022-04-14T20:55:11Z)
• Deep Causal Reasoning for Recommendations [47.83224399498504]
  推薦システム研究の新たなトレンドは、共同創設者の影響を因果的観点から否定することである。 提案手法は多因性マルチアウトカム(MCMO)推論問題としてモデル化する。 MCMOモデリングは,高次元因果空間に付随する観測が不十分なため,高いばらつきをもたらす可能性があることを示す。
  論文  参考訳（メタデータ） (2022-01-06T15:00:01Z)
• From Intrinsic to Counterfactual: On the Explainability of Contextualized Recommender Systems [43.93801836660617]
  本研究では、コンテキスト的特徴(例えば、ユーザからの項目レビュー)を活用することで、一連の説明可能なレコメンデータシステムを設計できることを示す。 モデルの透明性を段階的に変化させる3つの方法として,ホワイトボックス,グレーボックス,ブラックボックスの3種類を提案する。 我々のモデルは高い競争力のあるランキング性能を達成し、多数の量的指標と定性的な視覚化の観点から正確かつ効果的な説明を生成する。
  論文  参考訳（メタデータ） (2021-10-28T01:54:04Z)
• A Graph-based Approach for Mitigating Multi-sided Exposure Bias in Recommender Systems [7.3129791870997085]
  FairMatchは、アイテムやサプライヤーの露出公正性を改善するグラフベースのアルゴリズムである。 2つのデータセットに関する包括的な実験と最先端のベースラインとの比較により、FairMatchは露出公正性と集約多様性を大幅に改善する一方で、レコメンデーションの許容レベルを維持している。
  論文  参考訳（メタデータ） (2021-07-07T18:01:26Z)
• PURS: Personalized Unexpected Recommender System for Improving User Satisfaction [76.98616102965023]
  本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。 3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-06-05T01:33:21Z)
• Explainable Recommender Systems via Resolving Learning Representations [57.24565012731325]
  説明はユーザー体験を改善し、システムの欠陥を発見するのに役立つ。 本稿では,表現学習プロセスの透明性を向上させることによって,説明可能な新しい推薦モデルを提案する。
  論文  参考訳（メタデータ） (2020-08-21T05:30:48Z)
• Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
  逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。 当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
  論文  参考訳（メタデータ） (2020-05-21T12:28:59Z)

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。