Fugu-MT 論文翻訳(概要): Incremental Recommendation via Causal Models

論文の概要: Incremental Recommendation via Causal Models

arxiv url: http://arxiv.org/abs/2608.26804v1
Date: Thu, 27 Aug 2026 08:43:11 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-28 16:30:58.314515
Title: Incremental Recommendation via Causal Models
Title（参考訳）: 因果モデルによるインクリメンタルレコメンデーション
Abstract要約: 我々は、すでに日常的な実験インフラの一部として収集されているホールドバックデータを用いて、既存の生産レコメンデーションモデルを因果アーキテクチャに拡張する。何百万ものSpotifyユーザーの実運用規模のA/Bテストにおいて、このポリシーは推奨コンテンツの総消費を統計的に減少させることなく、レコメンデーションインプレッションを7%削減する。我々は、因果モデルが観察データだけで訓練されたモデルよりもより一般化可能な表現を学習する証拠として捉えることができると論じる。
参考スコア（独自算出の注目度）: 4.164845768197488
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recommendation impressions are a finite resource, hence delivering a recommendation to a user who would discover the content organically yields no incremental value and displaces other recommendations that could. We address this by extending an existing production recommendation model to a causal architecture using holdback data that is already collected as part of routine experimentation infrastructure, requiring no new data collection. A central challenge is that attribution windows differ between treated and holdback observations: treated users are attributed a stream within a short direct-response window, while holdback users are attributed organic streams over a multi-day window. This mismatch makes naive treatment-effect subtraction invalid. We resolve this with a dual-threshold targeting policy that delivers a recommendation only when the probability of a treated stream is high and the probability of organic stream is low. In a production-scale A/B test on millions of Spotify users, this policy reduces recommendation impressions by 7% with no statistically significant reduction in overall recommended content consumption. We further show that joint training with holdback data improves calibration of the treated head relative to the production baseline, and argue this can be taken as evidence that causal models learn more generalisable representations than models trained on observational data alone.
Abstract（参考訳）: レコメンデーションインプレッションは有限のリソースであるため、コンテンツを有機的に発見してインクリメンタルな価値を得られず、他のレコメンデーションを廃止するユーザに対してレコメンデーションを提供する。我々は、既存の生産レコメンデーションモデルを、通常の実験インフラの一部として既に収集されているホールドバックデータを使用して因果的アーキテクチャに拡張し、新しいデータ収集を不要にすることで、この問題に対処する。処理されたユーザは、短時間の直接応答ウィンドウ内のストリームを、ホールドバックユーザは、複数日のウィンドウ上のオーガニックストリームとみなす。このミスマッチは、ナイーブな治療効果の減算を無効にする。我々は、処理されたストリームの確率が高く、有機的ストリームの確率が低い場合にのみレコメンデーションを提供するデュアルスレッドターゲティングポリシーでこれを解決する。何百万ものSpotifyユーザーの実運用規模のA/Bテストにおいて、このポリシーは推奨コンテンツの総消費を統計的に減少させることなく、レコメンデーションインプレッションを7%削減する。さらに, ホールドバックデータを用いた共同トレーニングにより, 被処理頭部の校正精度が向上することを示した。

関連論文リスト

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)
A Novel Generative Model with Causality Constraint for Mitigating Biases in Recommender Systems [20.672668625179526]
遅延共起バイアスは、ユーザのフィードバックとアイテムの露出の間の真の因果関係を曖昧にする可能性がある。本稿では,Recommender Systemsにおける表現学習のための遅延因果制約(Latent Causality Constraints)と呼ばれる新しい生成フレームワークを提案する。
論文参考訳（メタデータ） (2025-05-22T14:09:39Z)
Estimating Treatment Effects under Recommender Interference: A Structured Neural Networks Approach [32.55211271796683]
一般に採用されている差分推定器は、推奨者干渉による推定に大きく偏りがあることが示される。干渉経路を明示的に表現した「推薦者選択モデル」を提案する。 Weixin短ビデオプラットフォーム上での大規模フィールド実験により本手法の有効性を検証した。
論文参考訳（メタデータ） (2024-06-20T14:53:26Z)
Causal Distillation for Alleviating Performance Heterogeneity in Recommender Systems [142.3424649008479]
歴史的相互作用の不均一な分布とレコメンダモデルのバイアス付きトレーニングを示す。デバイアスドトレーニングの鍵は、ユーザの過去の行動と次の行動の両方に影響を与える共同創設者の影響を取り除くことである。本稿では,非保守的共同設立者に対応するために,因果多教師蒸留フレームワーク(CausalD)を提案する。
論文参考訳（メタデータ） (2024-05-31T05:31:00Z)
Exploring the Escalation of Source Bias in User, Data, and Recommender System Feedback Loop [65.23044868332693]
我々は,AIGC(AIGC)がレコメンダシステムの性能と力学に与える影響について検討する。短期的には、AIGCに対する偏見はLLMベースのコンテンツ作成を促進し、AIGCコンテンツを増大させ、不公平なトラフィック分散を引き起こす。長期コンテンツエコシステムのバランスを維持するため,L1-loss最適化に基づくデバイアス化手法を提案する。
論文参考訳（メタデータ） (2024-05-28T09:34:50Z)
Debiased Model-based Interactive Recommendation [22.007617148466807]
textbfidentible textbfDebiased textbfModel-based textbfInteractive textbfRecommendation(略してtextbfiDMIR)と呼ばれるモデルを開発する。最初の欠点として、識別保証を伴う時間変化レコメンデーション生成プロセスの因果メカニズムに基づいて、偏見付き因果世界モデルを考案する。第2の欠点として、偏りのある対照的な学習と一致し、サンプリングバイアスを避ける、偏りのある対照的な政策を考案する。
論文参考訳（メタデータ） (2024-02-24T14:10:04Z)
Causal Disentangled Variational Auto-Encoder for Preference Understanding in Recommendation [50.93536377097659]
本稿では,コメンテータシステムにおける対話データから因果不整合表現を学習するためのCaD-VAE(Causal Disentangled Variational Auto-Encoder)を提案する。この手法は構造因果モデルを用いて、潜在因子間の因果関係を記述する因果表現を生成する。
論文参考訳（メタデータ） (2023-04-17T00:10:56Z)
Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。 AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
論文参考訳（メタデータ） (2022-09-22T04:32:51Z)
Debiased Recommendation with Neural Stratification [19.841871819722016]
我々は、露光密度を増大させることにより、より正確なIPS計算のためにユーザをクラスタ化することを提案する。提案手法の有効性を実証するために,実世界のデータセットに基づく広範囲な実験を行った。
論文参考訳（メタデータ） (2022-08-15T15:45:35Z)
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)
Probabilistic and Variational Recommendation Denoising [56.879165033014026]
暗黙のフィードバックから学ぶことは、推奨システムの適用において最も一般的なケースの1つである。本稿では,暗黙のフィードバックに対する確率的・変動的推薦を提案する。提案したDPIとDVAEを4つの最先端レコメンデーションモデルに適用し、3つのデータセットで実験を行う。
論文参考訳（メタデータ） (2021-05-20T08:59:44Z)

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。