論文の概要: SPADE: Escaping the Popularity-Similarity Frontier to Measure Serendipitous Recommendations

• arxiv url: http://arxiv.org/abs/2609.31164v1
• Date: Fri, 25 Sep 2026 11:57:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.371382
• Title: SPADE: Escaping the Popularity-Similarity Frontier to Measure Serendipitous Recommendations
• Title（参考訳）: SPADE:Serendipitous Recommendationsを測定するために、ポピュラーな類似性フロンティアから逃れる
• Abstract要約: SPADEは、類似性、人気度、実際のユーザ関連性を調べる評価指標である。 すべてのアイテムを2次元空間にマッピングし、最大で歴史的に類似したアイテムのユーザ固有のフロンティアを計算する。 以上の結果から,SPADEはアルゴリズムが不適切な,あるいは非個人化されたレコメンデーションによる不適切な手段を悪用することを防ぐことができた。
• 参考スコア（独自算出の注目度）: 0.07789980562564794
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender systems engineer serendipity to foster active exploration and break predictable consumption cycles. The problem with existing offline beyond-accuracy metrics is that they often either isolate historical similarity or global popularity. We aim to design an evaluation metric that examines similarity, popularity, and actual user relevance. To achieve this, we introduce SPADE (Serendipitous Pareto Distance Evaluation). SPADE maps all items into a two-dimensional space to directly calculate a user-specific Pareto frontier of maximally popular and historically similar items. The final serendipity score is then computed by averaging the minimum Euclidean distance from this boundary strictly for the correctly recommended test-set items. Evaluating SPADE across five datasets and five baseline algorithms confirms its effectiveness; our results show that the metric successfully prevents algorithms from exploiting beyond-accuracy measures with irrelevant or non-personalized recommendations, reliably isolating serendipitous discoveries.
• Abstract（参考訳）: Recommenderシステムエンジニアのセレンディピティは、アクティブな探索を促進し、予測可能な消費サイクルを壊す。 既存のオフラインの非精度メトリクスの問題は、歴史的類似性や世界的な人気を区別することが多いことである。 本研究の目的は,類似性,人気度,実際のユーザ関連性を評価する評価指標を設計することである。 そこで我々はSPADE(Serendipitous Pareto Distance Evaluation)を紹介する。 SPADEは、すべてのアイテムを2次元空間にマッピングし、最大で歴史的に類似したアイテムのユーザー固有のパレートフロンティアを直接計算する。 最終的なセレンディピティースコアは、正しく推奨されたテストセット項目に対して、この境界から最小ユークリッド距離を厳密に推定することで計算される。 5つのデータセットと5つのベースラインアルゴリズムにまたがってSPADEを評価することは、その効果を裏付けるものであり、この測定結果から、無関係または非個人化されたレコメンデーションによるアルゴリズムの非正確性対策の活用をうまく防止し、セレンディピティーな発見を確実に分離できることが示されている。

関連論文リスト

• Are We Really Achieving Better Beyond-Accuracy Performance in Next Basket Recommendation? [57.91114305844153]
  次のバスケットレコメンデーション(NBR)は、ますます注目を集めている特別なタイプのシーケンシャルレコメンデーションである。 NBRに関する最近の研究は、繰り返し項目を推奨することと項目を探索することの間に大きなパフォーマンス差が見つかった。 本稿では,繰り返しアイテムを扱い,個別にアイテムを探索する2段階反復探索フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-02T09:59:35Z)
• Conformalized Deep Splines for Optimal and Efficient Prediction Sets [4.676979941493237]
  コンフォーマル推定(SPICE)による新しいコンフォーマル回帰法であるスプライン予測区間を提案する。 実験により実証的に検証したSPICEの普遍近似と最適性を示す。 ベンチマークデータセットの結果は、SPICE-NDモデルが最小平均予測セットサイズを達成することを示す。
  論文  参考訳（メタデータ） (2023-11-01T18:37:07Z)
• 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)
• 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)
• Score Matching for Truncated Density Estimation on a Manifold [6.53626518989653]
  近年, トラッピング密度推定にスコアマッチングを用いる方法が提案されている。 我々は、境界を持つリーマン多様体に一致するトランカットされたスコアの新たな拡張を示す。 シミュレーションデータ実験において、スコアマッチング推定器は真のパラメータ値を低い推定誤差で近似することができる。
  論文  参考訳（メタデータ） (2022-06-29T14:14:49Z)
• Residual Overfit Method of Exploration [78.07532520582313]
  提案手法は,2点推定値の調整と1点オーバーフィットに基づく近似探索手法を提案する。 このアプローチは、調整されたモデルと比較して、オーバーフィットモデルが最も過度な適合を示すアクションへの探索を促進する。 ROMEを3つのデータセット上の確立されたコンテキスト的帯域幅法と比較し、最も優れたパフォーマンスの1つとみなす。
  論文  参考訳（メタデータ） (2021-10-06T17:05:33Z)
• A Robust Loss for Point Cloud Registration [31.033915476145047]
  表面登録の性能は、ソースとターゲット形状のアライメント誤差に使用されるメートル法に大きく依存する。 伝統的に、そのような計量は、原面上の点から目標表面上の最も近い点までの点対点距離または点対面距離に基づいている。 本稿では,2つの形状とランダムな直線との交点に基づく新しい計量法を提案するが,これは特定の対応を前提としない。
  論文  参考訳（メタデータ） (2021-08-26T09:56:47Z)
• Localization Uncertainty-Based Attention for Object Detection [8.154943252001848]
  ガウスモデルを用いて, 4方向位置決めの不確かさを予測できる, より効率的な不確実性認識型高密度検出器 (UADET) を提案する。 MS COCOベンチマークを用いた実験によると、UADETはベースラインFCOSを一貫して上回り、最高のモデルであるResNext-64x4d-101-DCNは、COCOテストデーブで48.3%の単一スケールAPを得る。
  論文  参考訳（メタデータ） (2021-08-25T04:32:39Z)
• Control Variates for Slate Off-Policy Evaluation [112.35528337130118]
  多次元動作を伴うバッチ化されたコンテキスト帯域データから政治外評価の問題について検討する。 我々は, PIと自己正規化PIの双方に対して, リスク改善を保証した新しい推定器を得る。
  論文  参考訳（メタデータ） (2021-06-15T06:59:53Z)

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。