論文の概要: Do Similarity Measures Measure Similarity? How User Activity Creates Phantom Correlation in Recommender Systems
- arxiv url: http://arxiv.org/abs/2610.35765v1
- Date: Mon, 26 Oct 2026 17:09:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:14.124943
- Title: Do Similarity Measures Measure Similarity? How User Activity Creates Phantom Correlation in Recommender Systems
- Title（参考訳）: 類似度測定は類似度を測定するか? : 利用者活動がレコメンダシステムにおけるファントム相関をいかに生み出すか
- Abstract要約: 項目と項目の類似性は、共有された味ではなく、ユーザ活動のばらつきの産物であることを示す。
我々は,この現象のファントム相関を,不均一なユーザ活動から厳密に生じる刺激的なアイテム関連と表現する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Item-item similarity is one of the oldest and most foundational signals in recommender systems: two items are assumed to be similar when the same users consume them. Despite the sparsity and scale of interaction data, the implicit assumption across the field is that item co-occurrence reflects genuine shared preference, capturing what users like together. In this paper, we demonstrate that a substantial fraction of observed item-item similarity is an artifact of variance in user activity rather than shared taste. Even if every user consumed items completely independently, differing only in their total consumption volume, standard similarity measures still detect strong associations between items. We term this phenomenon phantom correlation: spurious item association that emerges strictly from heterogeneous user activity in the complete absence of preference structure. Starting from minimal formal assumptions, we show that independent consumption under varying activity is described by a Rasch model, and we derive how the resulting association depends on item popularity for each similarity measure. By comparing our theoretical baseline against real-world benchmark datasets, we reveal the extent to which popular similarity measures reflect phantom correlation, which bears on how item co-occurrence is interpreted and used in collaborative filtering.
- Abstract（参考訳）: アイテム・イテムの類似性は、リコメンデーションシステムにおいて最も古く最も基礎的なシグナルの1つである。
相互作用データの空間性と規模にもかかわらず、フィールド全体の暗黙の仮定は、アイテムの共起は真の共有嗜好を反映し、ユーザが一緒に好きなものをキャプチャする、というものである。
本稿では,観察された項目と項目の類似性のかなりの部分が,共有味ではなく,ユーザ活動のばらつきの産物であることを実証する。
すべてのユーザが完全に独立してアイテムを消費していても、総消費量だけが異なるとしても、標準的類似度はアイテム間の強い関連性を検出する。
本現象のファントム相関とは、嗜好構造の完全欠如において、不均一なユーザ活動から厳密に生じる刺激的なアイテム関連である。
最小の形式的仮定から、様々な活動の下での独立消費がラシュモデルによって記述されることを示し、結果の関連が各類似度尺度の項目人気にどのように依存するかを導出する。
理論ベースラインを実世界のベンチマークデータセットと比較することにより、一般的な類似度尺度がファントム相関を反映する範囲を明らかにし、アイテムの共起がどのように解釈され、協調フィルタリングに使用されるかを明らかにする。
関連論文リスト
- From Overlooked to Explored: Recovering Item Relations via Mixture of Perspectives for Sequential Recommendation [18.117610268256005]
我々は、ペアワイズアイテムの相互作用を計算する能力において、自己意識が逐次的な推奨において支配的であることを示す。
複数の視点から項目関係を再検討するモジュールであるPRISMを提案する。
PRISMは一貫して最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2026-08-12T09:39:04Z) - Information-Theoretic Active Correlation Clustering [3.2688425993442696]
ペアの類似性が事前に分かっていない相関クラスタリングについて検討する。
コスト効率のよい方法でペアの類似性を問うために,能動的学習を採用しています。
論文 参考訳（メタデータ） (2024-02-05T23:33:57Z) - Taken by Surprise: Contrast effect for Similarity Scores [0.0]
人間の知覚のコントラスト効果をカプセル化したアンサンブル正規化類似度尺度を提案する。
このスコアは、ペアのアンサンブルの類似性に対する2つの要素間の与えられた類似性を見つけるために、サプライズを定量化する。
我々は、ゼロ/フェーショットの分類とクラスタリングのタスクでこの測定値を評価し、通常、生のコサインの類似性と比較して10～15パーセント高い性能を示す。
論文 参考訳（メタデータ） (2023-08-18T18:18:55Z) - Learnable Pillar-based Re-ranking for Image-Text Retrieval [119.9979224297237]
画像テキスト検索は、モダリティギャップを埋め、意味的類似性に基づいてモダリティコンテンツを検索することを目的としている。
一般的なポストプロセッシング手法であるリグレードは, 単一モダリティ検索タスクにおいて, 隣り合う関係を捕捉する優位性を明らかにしている。
本稿では,画像テキスト検索のための新しい学習可能な柱型リグレードパラダイムを提案する。
論文 参考訳（メタデータ） (2023-04-25T04:33:27Z) - Counting Like Human: Anthropoid Crowd Counting on Modeling the
Similarity of Objects [92.80955339180119]
メインストリームの群衆計数法は 密度マップを補強して 計数結果を得るために統合する。
これに触発された我々は,合理的かつ人為的な集団カウントフレームワークを提案する。
論文 参考訳（メタデータ） (2022-12-02T07:00:53Z) - Beyond Instance Discrimination: Relation-aware Contrastive
Self-supervised Learning [75.46664770669949]
本稿では,関係認識型コントラスト型自己教師型学習(ReCo)をインスタンス関係に統合するために提案する。
当社のReCoは、常に顕著なパフォーマンス改善を実現しています。
論文 参考訳（メタデータ） (2022-11-02T03:25:28Z) - Learning Personalized Item-to-Item Recommendation Metric via Implicit
Feedback [24.37151414523712]
本稿では,暗黙のフィードバックによるメトリクス学習の新しい視点から,レコメンデーションシステムにおける項目間推薦問題について検討する。
本研究では,アイテムの内部コンテンツとユーザによるインタラクションの両方をキャプチャする,パーソナライズ可能なディープメトリックモデルを開発し,検討する。
論文 参考訳（メタデータ） (2022-03-18T18:08:57Z) - Differentiated Relevances Embedding for Group-based Referring Expression
Comprehension [57.52186959089885]
表現理解の参照の鍵は、モーダルな視覚言語的関連を捉えることである。
本稿では,グループ内オブジェクト-表現ペアを異なる優先順位で適応的に割り当てるマルチグループ自己評価関連学習スキーマを提案する。
3つの標準RECベンチマーク実験により,本手法の有効性と優位性を示した。
論文 参考訳（メタデータ） (2022-03-12T09:09:48Z) - Few-shot Visual Reasoning with Meta-analogical Contrastive Learning [141.2562447971]
本稿では,類似推論に頼って,数ショット(または低ショット)の視覚推論問題を解くことを提案する。
両領域の要素間の構造的関係を抽出し、類似学習と可能な限り類似するように強制する。
RAVENデータセット上での本手法の有効性を検証し, トレーニングデータが少ない場合, 最先端の手法より優れることを示す。
論文 参考訳（メタデータ） (2020-07-23T14:00:34Z) - Disentangled Graph Collaborative Filtering [100.26835145396782]
Disentangled Graph Collaborative Filtering (DGCF)は、インタラクションデータからユーザとアイテムの情報表現を学ぶための新しいモデルである。
ユーザ・イテムのインタラクション毎に意図を超越した分布をモデル化することにより、インテント・アウェアなインタラクショングラフと表現を反復的に洗練する。
DGCFはNGCF、DisenGCN、MacridVAEといった最先端モデルよりも大幅に改善されている。
論文 参考訳（メタデータ） (2020-07-03T15:37:25Z)
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。