論文の概要: FacetCRS: Multi-Faceted Preference Learning for Pricking Filter Bubbles in Conversational Recommender System

• arxiv url: http://arxiv.org/abs/2609.20175v1
• Date: Fri, 24 Jul 2026 02:02:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.625802
• Title: FacetCRS: Multi-Faceted Preference Learning for Pricking Filter Bubbles in Conversational Recommender System
• Title（参考訳）: FacetCRS:会話レコメンダシステムにおけるフィルタ気泡の多面的選好学習
• Abstract要約: 対話型レコメンダシステム(FacetCRS)におけるフィルタ気泡の多面選好学習という新しいパラダイムを提案する。 FacetCRSは、多様なユーザの好みや意図を考慮し、自動的に、エンティティ、ワード、コンテキスト、レビューファセットを含むマルチファセットにユーザー好みをモデル化する。 様々なレベルの好みや多様な外部知識の表現を適応的に学習する、エンドツーエンドのCRSフレームワークである。
• 参考スコア（独自算出の注目度）: 66.04463758046104
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The filter bubble is a notorious issue in Recommender Systems (RSs), which describes the phenomenon whereby users are exposed to a limited and narrow range of information or content that reinforces their existing dominant preferences and beliefs. This results in a lack of exposure to diverse and varied content. Many existing works have predominantly examined filter bubbles in static or relatively-static recommendation settings. However, filter bubbles will be continuously intensified over time due to the feedback loop between the user and the system in the real-world online recommendation. To address these issues, we propose a novel paradigm, Multi-Facet Preference Learning for Pricking Filter Bubbles in Conversational Recommender System (FacetCRS), which aims to burst filter bubbles in the conversational recommender system (CRS) through timely user-item interactions via natural language conversations. By considering diverse user preferences and intentions, FacetCRS automatically model user preference into multi-facets, including entity-, word-, context-, and review-facet, to capture diverse and dynamic user preferences to prick filter bubbles in the CRS. It is an end-to-end CRS framework to adaptively learn representations of various levels of preference facet and diverse types of external knowledge. Extensive experiments on two publicly available benchmark datasets demonstrate that our proposed method achieves state-of-the-art performance in mitigating filter bubbles and enhancing recommendation quality in CRS.
• Abstract（参考訳）: フィルターバブルはRecommender Systems(RSs)において悪名高い問題であり、ユーザーが既存の支配的な好みや信念を補強する限られた範囲の情報やコンテンツに晒される現象を記述している。 これにより、多様で多様なコンテンツへの露出が欠如する。 既存の作業の多くは、静的または比較的静的なレコメンデーション設定でフィルタバブルを主に検討している。 しかし、実際のオンラインレコメンデーションにおいて、ユーザーとシステムの間のフィードバックループにより、フィルタバブルは時間とともに継続的に強化される。 これらの課題に対処するため,対話型レコメンダシステム(CRS)において,対話型リコメンダシステム(FacetCRS)における多面優先学習(Multi-Facet Preference Learning for Pricking Filter Bubbles in Conversational Recommender System)を提案する。 FacetCRSは、多様なユーザの好みや意図を考慮し、エンティティ、ワード、コンテキスト、レビューなどのマルチフェイスに自動的にユーザー好みをモデル化し、CRS内のフィルターバブルに様々なダイナミックなユーザー好みをキャプチャする。 様々なレベルの好みや多様な外部知識の表現を適応的に学習する、エンドツーエンドのCRSフレームワークである。 提案手法は,フィルタバブルを緩和し,CRSの推奨品質を向上する手法である。

関連論文リスト

• Quantifying the Potential to Escape Filter Bubbles: A Behavior-Aware Measure via Contrastive Simulation [82.74100448579857]
  本稿では,バブルエスケープポテンシャル(Bubble Escape Potential, BEP)を紹介する。 予測精度と気泡流出電位の関係を検討するため,複数の推薦モデルにまたがる広範囲な実験を行った。
  論文  参考訳（メタデータ） (2025-11-27T07:21:04Z)
• Mitigating Filter Bubble from the Perspective of Community Detection: A Universal Framework [19.047790323760935]
  本稿では,レコメンダシステムにおけるフィルタバブル問題に対処するためのCD-CGCNというユニバーサルフレームワークを提案する。 コミュニティ検出アルゴリズムを用いてユーザとイテムのインタラクション履歴を解析することにより,コミュニティ内項目に注目する現状のレコメンデーションが,フィルタバブル効果を悪化させることを明らかにした。
  論文  参考訳（メタデータ） (2025-08-15T05:57:38Z)
• Why Multi-Interest Fairness Matters: Hypergraph Contrastive Multi-Interest Learning for Fair Conversational Recommender System [55.39026603611269]
  公正な会話レコメンダシステム(HyFairCRS)のためのハイパーグラフコントラスト学習フレームワークを提案する。 HyFairCRSは対話型対話型レコメンダシステム(CRS)における多目的多様性フェアネスの促進を目指す 2つのCRSベースのデータセットの実験により、HyFairCRSは、不公平を効果的に軽減しつつ、新しい最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2025-07-01T11:39:42Z)
• Search-Based Interaction For Conversation Recommendation via Generative Reward Model Based Simulated User [117.82681846559909]
  会話レコメンデーションシステム(CRS)は、マルチターンインタラクションを使用してユーザの好みを捉え、パーソナライズされたレコメンデーションを提供する。 本稿では,CRSと自動インタラクションを行うための生成報酬モデルに基づくシミュレーションユーザGRSUを提案する。
  論文  参考訳（メタデータ） (2025-04-29T06:37:30Z)
• BHEISR: Nudging from Bias to Balance -- Promoting Belief Harmony by Eliminating Ideological Segregation in Knowledge-based Recommendations [5.795636579831129]
  主な目的は,フィルタバブルによる有害な影響を最小限に抑えつつ,ユーザの信念バランスを打つことである。 BHEISRモデルは、民主的かつ透明な原則を支持しながら、ナッジ理論から原則を取り入れている。
  論文  参考訳（メタデータ） (2023-07-06T06:12:37Z)
• Vague Preference Policy Learning for Conversational Recommendation [48.868921530958666]
  会話レコメンデーションシステムは通常、ユーザが明確な好みを持っていると仮定し、潜在的に過度なフィルタリングにつながる。 本稿では,Vag Preference Multi-round Conversational Recommendation (VPMCR) シナリオを紹介する。 我々の研究は、ユーザの内在する曖昧さと相対的な意思決定プロセスを調整し、現実の応用性を向上させることでCRSを前進させます。
  論文  参考訳（メタデータ） (2023-06-07T14:57:21Z)
• Mitigating Filter Bubbles within Deep Recommender Systems [2.3590112541068575]
  推薦システムは、様々な視点からユーザーを知的に隔離したり、フィルターバブルを引き起こすことが知られている。 このフィルタバブル効果を,ユーザとテムのインタラクション履歴に基づいて,様々なデータポイントを分類し,緩和する。 我々は、このフィルタバブル効果を、リコメンデータシステムを再訓練することで、精度を損なうことなく軽減する。
  論文  参考訳（メタデータ） (2022-09-16T22:00:10Z)

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。