論文の概要: Mitigating Popularity Bias in Sequential Recommendations with Sparse Prior-Regularized Objective

• arxiv url: http://arxiv.org/abs/2610.17823v1
• Date: Tue, 13 Oct 2026 06:43:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 17:05:21.364099
• Title: Mitigating Popularity Bias in Sequential Recommendations with Sparse Prior-Regularized Objective
• Title（参考訳）: スパース事前正規化目的語を用いた逐次推薦における人気バイアスの緩和
• Abstract要約: PR-entmaxは、人気補正コンテキストに依存したスパース事前正規化目的である。 PR-entmaxは,レコメンデーション関連性を維持したり改善したりしながら,人気バイアスを一貫して低減することを示す。
• 参考スコア（独自算出の注目度）: 40.13009089433972
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Popularity bias is a well-known challenge in recommender systems, often leading to the over-exposure of popular items and reduced catalog coverage. In this work, we propose PR-entmax, a sparse prior-regularized objective that makes popularity correction context-dependent. We derive our method from a generalized variational principle in which an item popularity prior is incorporated directly into a sparse probability mapping, yielding a popularity-aware active support: the set of items receiving non-zero probabilities and hence non-zero gradients is determined jointly by contextual relevance and item popularity. As a result, the prior affects not only item probabilities, but also which items participate in gradient updates during training. The method requires no architectural changes and can be integrated into existing training pipelines by modifying only the loss function. At inference time, the prior term is removed, and items are ranked by the learned contextual relevance alone. Experiments across multiple benchmark datasets and sequential recommendation architectures show that PR-entmax consistently reduces popularity bias while preserving or improving recommendation relevance, advancing the relevance-debiasing trade-off.
• Abstract（参考訳）: 人気度バイアスはレコメンデーションシステムにおいてよく知られた課題であり、しばしば人気アイテムの露出過多とカタログのカバレッジの減少につながる。 本研究では,人気度補正の文脈依存化を目的とした,スパースな事前正規化対象であるPR-entmaxを提案する。 本手法は,非ゼロ確率の項目群と非ゼロ勾配の項目群を,文脈的関連性やアイテムの人気度によって共同で決定する,スパース確率マッピングに直接組み込んだ一般化された変分原理から導出する。 結果として、事前は項目確率だけでなく、トレーニング中にどの項目が勾配更新に参加するかにも影響を及ぼす。 このメソッドはアーキテクチャの変更を必要とせず、損失関数だけを変更して既存のトレーニングパイプラインに統合することができる。 推測時、先行項を除去し、学習された文脈関連性のみで項目をランク付けする。 複数のベンチマークデータセットとシーケンシャルなレコメンデーションアーキテクチャによる実験では、PR-entmaxはリコメンデーションの関連性を維持したり改善したりしながら、人気バイアスを一貫して低減し、関連性の低下するトレードオフを促進する。

関連論文リスト

• Balancing Accuracy and Novelty with Sub-Item Popularity [54.56622169534604]
  本稿では,RecJPQフレームワーク内でのサブIDレベルのパーソナライズされた人気の新たな統合を提案する。 提案手法は,レコメンデーション精度を損なうことなく,パーソナライズドノベルティを著しく向上させることにより,アイテムレベルのPSSを一貫して上回ります。
  論文  参考訳（メタデータ） (2025-08-07T09:33:32Z)
• 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)
• Popularity-Aware Alignment and Contrast for Mitigating Popularity Bias [34.006766098392525]
  協調フィルタリング(CF)は通常、現実のデータセットにおけるアイテムの不均一な分布のため、人気バイアスの課題に悩まされる。 このバイアスは、人気アイテムと不人気アイテムの間にかなりの精度のギャップをもたらす。 本稿では,2つの課題に対処するために,PAAC(Popularity-Aware Alignment and Contrast)を提案する。
  論文  参考訳（メタデータ） (2024-05-31T09:14:48Z)
• Going Beyond Popularity and Positivity Bias: Correcting for Multifactorial Bias in Recommender Systems [74.47680026838128]
  ユーザインタラクションデータとレコメンダシステム(RS)の2つの典型的なバイアスは、人気バイアスと肯定バイアスである。 項目と評価値の双方に影響される多因子選択バイアスについて検討する。 分散を低減し、最適化の堅牢性を向上させるため、スムースで交互に勾配降下する手法を提案する。
  論文  参考訳（メタデータ） (2024-04-29T12:18:21Z)
• Test Time Embedding Normalization for Popularity Bias Mitigation [6.145760252113906]
  人気バイアスはレコメンデーションシステムの分野で広く問題となっている。 本稿では,人気バイアスを軽減するための簡易かつ効果的な戦略として,'Test Time Embedding Normalization'を提案する。
  論文  参考訳（メタデータ） (2023-08-22T08:57:44Z)
• Sequential Recommendation via Stochastic Self-Attention [68.52192964559829]
  Transformerベースのアプローチでは、アイテムをベクトルとして埋め込んで、ドット積の自己アテンションを使用してアイテム間の関係を測定する。 本稿では,これらの問題を克服するための新しいtextbfStochastic textbfSelf-textbfAttention (STOSA) を提案する。 我々は、アイテムと項目の位置関係を列で特徴づける新しいワッサースタイン自己保持モジュールを考案した。
  論文  参考訳（メタデータ） (2022-01-16T12:38:45Z)
• Universal Off-Policy Evaluation [64.02853483874334]
  ユニバーサルオフ政治推定器(UnO)への第一歩を踏み出す 我々は, 平均, 分散, 分位数/中間数, 分位数範囲, cvar, および累積分布全体の推定と同時結合に uno を用いる。
  論文  参考訳（メタデータ） (2021-04-26T18:54:31Z)
• 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。