論文の概要: Why This, Not That? Mining User Profiles for Pair-wise Counterfactuals

• arxiv url: http://arxiv.org/abs/2608.21662v1
• Date: Fri, 21 Aug 2026 22:11:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.366479
• Title: Why This, Not That? Mining User Profiles for Pair-wise Counterfactuals
• Title（参考訳）: なぜ、そうではないのか? ペアワイズ対策のためのユーザープロフィールのマイニング
• Abstract要約: 項目Aは項目Bよりも上位にあるのか?」という質問に対して,項目ランクのペア解釈という新たな課題を提案する。 この課題に対する効果的な解決策は、本質的にレコメンデーションアルゴリズムの操作に基礎を置いている、と我々は主張する。 本稿では,ユーザプロファイルの項目の相対的ランク付けに寄与する要因を明らかにするための,反実的学習に基づく手法のクラスを提案する。
• 参考スコア（独自算出の注目度）: 7.775878711756312
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The topic of explanation in recommender systems has seen steady research attention since the earliest days of the field. With some exceptions, this work has focused on the explanation of single items in a recommendation list and, especially recently, has emphasized approaches that are decoupled from the logic of the recommendation algorithm itself. Based on findings in the psychology of interpersonal communication, we propose a new task, pairwise interpretation of item rankings, asking the comparative question ``Why is item A ranked higher than item B?''. An effective solution to this task, we argue, is inherently grounded in the operation of the recommendation algorithm. We propose a class of techniques based on counterfactual learning to uncover the items in a user's profile that have contributed to the relative ranking of items. Using multiple datasets, we show that it is possible to identify such items as potential basis for comparative explanation.
• Abstract（参考訳）: 推薦システムにおける説明の話題は、この分野の初期から着実に研究が注目されている。 いくつかの例外を除いて、この研究はレコメンデーションリストの単一項目の説明に焦点を当てており、特に近年ではレコメンデーションアルゴリズム自体の論理から切り離されたアプローチを強調している。 対人コミュニケーションの心理学的知見に基づき,「なぜ項目Aが項目Bよりも上位にあるのか?」という質問に対して,項目ランクの相互解釈という新たな課題を提案する。 この課題に対する効果的な解決策は、本質的にレコメンデーションアルゴリズムの操作に基礎を置いている、と我々は主張する。 本稿では,ユーザプロファイルの項目の相対的ランク付けに寄与する要因を明らかにするための,反実的学習に基づく手法のクラスを提案する。 複数のデータセットを用いて、比較説明の潜在的基盤としてそのような項目を特定できることが示される。

関連論文リスト

• MGFRec: Towards Reinforced Reasoning Recommendation with Multiple Groundings and Feedback [62.59727494001646]
  我々は,LLMが実際のアイテム空間をよりよく理解するために,推論中に複数ラウンドのグラウンドを実行することを提案する。 3つのAmazonレビューデータセットで実施された総合的な実験は、複数の基盤とフィードバックを組み込むことの有効性を実証している。
  論文  参考訳（メタデータ） (2025-10-27T00:41:07Z)
• Improving Recommendation Relevance by simulating User Interest [77.34726150561087]
  不活発な項目のランクを反復的に減らすことにより、リコメンデーション"レコメンデーション"が、簡単かつ透過的に維持可能であることを観察する。 この研究の背景にある基本的なアイデアは、オンラインレコメンデーションシステムの文脈で特許を取得している。
  論文  参考訳（メタデータ） (2023-02-03T03:35:28Z)
• Comparative Explanations of Recommendations [33.89230323979306]
  本稿では,レコメンデータシステムからランキング項目の相対比較を抽出・再定義するアーキテクチャを提案する。 我々はBLEUに基づく新しい説明品質指標を設計し、抽出・精錬部品のエンドツーエンドトレーニングを指導する。
  論文  参考訳（メタデータ） (2021-11-01T02:55:56Z)
• Online Learning of Optimally Diverse Rankings [63.62764375279861]
  ユーザのフィードバックのみに基づいて最適なリストを効率よく学習するアルゴリズムを提案する。 我々は、$T$クエリの後に、LDRの後悔は$O((N-L)log(T))$としてスケールする。
  論文  参考訳（メタデータ） (2021-09-13T12:13:20Z)
• Counterfactual Explainable Recommendation [22.590877963169103]
  本稿では、因果推論から反実的推論の洞察を取り入れて説明可能な推薦を行うCountERを提案する。 CountERは、モデル決定に対して単純(低複雑性)で効果的な(高強度)説明を求める。 以上の結果から,我々のモデルは,最先端のレコメンデーションモデルよりも正確かつ効果的に説明できることを示す。
  論文  参考訳（メタデータ） (2021-08-24T06:37:57Z)
• On component interactions in two-stage recommender systems [82.38014314502861]
  2段階のレコメンデータは、YouTube、LinkedIn、Pinterestなど、多くのオンラインプラットフォームで使用されている。 ランク付け器と評価器の相互作用が全体の性能に大きく影響していることが示される。 特に、Mixture-of-Expertsアプローチを用いて、アイテムプールの異なるサブセットに特化するように、ノミネータを訓練する。
  論文  参考訳（メタデータ） (2021-06-28T20:53:23Z)
• Item Recommendation from Implicit Feedback [8.877053863402484]
  この記事では、アイテムの推奨、そのユニークな特性、およびいくつかの一般的なアプローチの概要を紹介します。 本体は学習アルゴリズムを扱い、サンプリングベースのアルゴリズムを一般推薦者に提示する。 検索タスクにおけるアイテムレコメンダの応用について検討する。
  論文  参考訳（メタデータ） (2021-01-21T18:50:21Z)
• Dynamic-K Recommendation with Personalized Decision Boundary [41.70842736417849]
  ランキングと分類の目的を併せ持つ共同学習問題として動的k推薦タスクを開発した。 我々は、BPRMFとHRMの2つの最先端ランキングベースのレコメンデーション手法を対応する動的Kバージョンに拡張する。 2つのデータセットに対する実験結果から,動的Kモデルの方が従来の固定N推奨手法よりも有効であることが示された。
  論文  参考訳（メタデータ） (2020-12-25T13:02:57Z)
• Fairness-Aware Explainable Recommendation over Knowledge Graphs [73.81994676695346]
  ユーザのアクティビティのレベルに応じて異なるグループのユーザを分析し、異なるグループ間での推奨パフォーマンスにバイアスが存在することを確認する。 不活性なユーザは、不活性なユーザのためのトレーニングデータが不十分なため、不満足なレコメンデーションを受けやすい可能性がある。 本稿では、知識グラフに対する説明可能な推奨という文脈で、この問題を緩和するために再ランク付けすることで、公平性に制約されたアプローチを提案する。
  論文  参考訳（メタデータ） (2020-06-03T05:04:38Z)
• Distance-based Positive and Unlabeled Learning for Ranking [13.339237388350043]
  階級の学習は一般的な関心の問題である。 整数線形プログラムを用いた表現の組み合わせによるランク付け学習は,「興味のある項目に類似する項目は少ない」ほど軽快な場合には有効であることを示す。
  論文  参考訳（メタデータ） (2020-05-20T01:53:58Z)
• SetRank: A Setwise Bayesian Approach for Collaborative Ranking from Implicit Feedback [50.13745601531148]
  提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。 具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。 また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
  論文  参考訳（メタデータ） (2020-02-23T06:40:48Z)

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。