論文の概要: Mitigating Popularity Bias in Recommendation with Global Listwise Learning and Progressive Bi-Weighting
- arxiv url: http://arxiv.org/abs/2609.35041v1
- Date: Mon, 28 Sep 2026 12:39:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-02 17:34:54.37764
- Title: Mitigating Popularity Bias in Recommendation with Global Listwise Learning and Progressive Bi-Weighting
- Title（参考訳）: グローバルリストワイズ学習とプログレッシブバイウェイトによるリコメンデーションにおける人気バイアスの緩和
- Abstract要約: レコメンデーションシステムでは、ユーザからのフィードバックは、通常、長い尾の分布に従っており、人気アイテムを不均等に好むことによって、人気バイアスにつながる。
近年の研究では、ユーザとイテムのインタラクションを再重み付けすることでトレーニングデータを再均衡させるために、逆プロパプティシティ・スコアリング(IPS)が採用されている。
これらの制限に対処するために,バイウェイト (Mult-BiW) を用いた多重項類似度を提案する。
- 参考スコア（独自算出の注目度）: 18.824653871194496
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recommender systems, user feedback typically follows a long-tail distribution, which leads many recommendation algorithms to exacerbate popularity bias by disproportionately favoring popular items. To mitigate this issue, recent studies have employed Inverse Propensity Scoring (IPS) to rebalance training data via reweighting user-item interactions. However, the effectiveness of IPS-based approaches is often constrained by locally unbiased objectives and inaccurate propensity estimation. In this paper, we propose Multinomial Likelihood with Bi-Weighting (Mult-BiW) to address these limitations. First, we introduce a debiasing framework, termed Mult-IPS, which integrates multinomial likelihood with IPS to capture global and unbiased user preferences over the entire item set. Second, we develop a Bi-Weighting (BiW) strategy that jointly leverages propensity scores and a collection model, incorporating a smoothing mechanism to enhance the robustness of propensity estimation. We further provide theoretical analyses that establish an upper bound on the empirical bias and characterize the optimal form of the collection model. Third, to mitigate the adverse effects of aggressive reweighting on representation learning, we design a Progressive Bi-Weighting strategy that gradually transitions from discriminative representation learning to popularity debiasing. Extensive experiments on real-world datasets show that Mult-BiW consistently outperforms state-of-the-art baselines.
- Abstract（参考訳）: 推薦システムでは、ユーザからのフィードバックは通常、長い尾の分布に従っており、多くの推奨アルゴリズムが人気項目を不均等に好むことによって、人気バイアスを悪化させる。
この問題を緩和するために、最近の研究では、ユーザとイテムの相互作用を再重み付けすることでトレーニングデータを再均衡させるために、逆不均衡スコアリング(IPS)を採用している。
しかし、IPSベースのアプローチの有効性は、しばしば局所的に偏りのない目的と不正確な確率推定によって制約される。
本稿では,これらの制約に対処するために,バイウェイト(Mult-BiW)を用いた多重項類似度を提案する。
まず,Mult-IPSと呼ばれるデバイアス化フレームワークを導入する。このフレームワークはIPSとマルチノミカルな可能性を統合し,アイテムセット全体に対するグローバルで非バイアスのユーザ嗜好をキャプチャする。
第2に,相対性評価の堅牢性を高めるための平滑化機構を取り入れた,相対性スコアと収集モデルを併用したBi-Weighting(BiW)戦略を開発する。
さらに、経験的バイアスの上限を確立し、コレクションモデルの最適形を特徴付ける理論解析を行う。
第3に、積極的再重み付けが表現学習に与える影響を軽減するために、差別的表現学習から人気デバイアスへと徐々に移行するプログレッシブバイウェイト戦略を設計する。
実世界のデータセットに対する大規模な実験は、Mult-BiWが一貫して最先端のベースラインを上回っていることを示している。
関連論文リスト
- Mitigating Recommendation Biases via Group-Alignment and Global-Uniformity in Representation Learning [31.00491858291777]
協調フィルタリング(CF)は現代のレコメンデータシステムにおいて重要な役割を担っている。
CFベースの手法は、トレーニングデータの不均衡によってしばしばバイアスに遭遇する。
本稿では,表現分布の観点からバイアスを緩和する枠組みを提案する。
論文 参考訳（メタデータ） (2025-11-17T06:42:29Z) - Counterfactual Risk Minimization with IPS-Weighted BPR and Self-Normalized Evaluation in Recommender Systems [3.5507492850515323]
逆相対性スコア(IPS)は、このバイアスを補正するが、しばしば高いばらつきと不安定さに悩まされる。
IPS重み付きトレーニングとIPS重み付きベイズパーソナライズされたランク付け目標を統合した,シンプルで効果的なパイプラインを提案する。
合成およびMovieLens 100Kデータによる実験により、我々のアプローチは偏りのない露光下でより一般化されることが示された。
論文 参考訳（メタデータ） (2025-08-30T03:14:56Z) - PBiLoss: Popularity-Aware Regularization to Improve Fairness in Graph-Based Recommender Systems [1.0128808054306186]
PBiLossは、グラフベースのレコメンデータモデルにおいて、人気バイアスを明示的に防止するために設計された正規化に基づく損失関数である。
PBiLoss は,PRU (Popularity-Rank correlation for Users) とPRI (Popularity-Rank correlation for Items) の削減によって,公正性を著しく向上させることを示した。
論文 参考訳（メタデータ） (2025-07-25T08:29:32Z) - Preference-Based Multi-Agent Reinforcement Learning: Data Coverage and Algorithmic Techniques [65.55451717632317]
PbMARL(Preference-based Multi-Agent Reinforcement Learning)について検討する。
一般ゲームにおける嗜好のみのオフラインデータセットからナッシュ平衡を同定する。
以上の結果から,PbMARLの多面的アプローチが示唆された。
論文 参考訳（メタデータ） (2024-09-01T13:14:41Z) - Identifying and Mitigating Social Bias Knowledge in Language Models [52.52955281662332]
個々人の社会的偏見をきめ細かなキャリブレーションを可能にする新しいデバイアス・アプローチであるFairness Stamp(FAST)を提案する。
FASTは最先端のベースラインを超え、デバイアス性能が優れている。
これは、大きな言語モデルにおける公平性を達成するためのきめ細かいデバイアス戦略の可能性を強調している。
論文 参考訳（メタデータ） (2024-08-07T17:14:58Z) - GPTBIAS: A Comprehensive Framework for Evaluating Bias in Large Language
Models [83.30078426829627]
大規模言語モデル(LLM)は人気を集め、大規模なユーザコミュニティで広く採用されている。
既存の評価手法には多くの制約があり、それらの結果は限定的な解釈可能性を示している。
本稿では,LPMの高性能性を活用し,モデル内のバイアスを評価するGPTBIASというバイアス評価フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-11T12:02:14Z) - Delving into Identify-Emphasize Paradigm for Combating Unknown Bias [52.76758938921129]
同定精度を高めるため,有効バイアス強調スコアリング法(ECS)を提案する。
また, マイニングされたバイアスアライメントとバイアスコンプリケート試料のコントリビューションのバランスをとるために, 勾配アライメント(GA)を提案する。
様々な環境で複数のデータセットで実験を行い、提案されたソリューションが未知のバイアスの影響を軽減することを実証した。
論文 参考訳（メタデータ） (2023-02-22T14:50:24Z) - 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) - Bilateral Self-unbiased Learning from Biased Implicit Feedback [10.690479112143658]
バイラテラル・セルフ・アンバイアスド・レコメンダ(BISER)という,新しいアンバイアスド・レコメンダラー・ラーニング・モデルを提案する。
BISERは、(i)自己逆確率重み付け(SIPW)と(ii)モデル予測における2つの相補的モデル間のギャップを埋める両側非バイアス学習(BU)の2つの重要な構成要素から構成される。
大規模な実験により、BISERは複数のデータセットに対して最先端の非バイアスのレコメンデータモデルより一貫して優れていることが示されている。
論文 参考訳（メタデータ） (2022-07-26T05:17:42Z) - Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。
CPRは、露出メカニズムを知らずに不偏の推奨を達成する。
理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
論文 参考訳（メタデータ） (2022-04-26T09:20:27Z)
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。