Closed nogawanogawa closed 1 year ago
近年の推薦システムでは、推薦リストにおいてユーザの様々な(過去の)関心領域が、それぞれの割合で反映されることを保証するキャリブレーションが注目されている。
推薦リストは、ユーザーの持つ少数派の興味が蔑ろにされたり、全体的に人気のあるアイテムに支配されたりすることが多い。
先行研究でキャリブレーションは、貪欲法によって考慮されているが、これは現実的な時間内に解を求める保証ができない。また、一般的にキャリブレーションは推薦自体の精度劣化を引き起こすことがわかっている
scoreの合計を最大化しつつ、ペナルティを最小にしたときに目的を達成できるものとする。
下記の様にグラフ構造を作成して、このグラフ構造における最小コストフロー問題を解くことで最適化する
このグラフを構成し、すべてのyについてコストを最小にするようなパスをそれぞれ選択する(最適化問題)
Movielens、Last.fmのデータセットを用いて評価
比較対象より、同じrelevanceを得ながらもKL divervgenceが小さい(理想的なキャリブレーションに近い)
ラムダによって調整できるものの、キャリブレーションをしても精度の劣化は他の比較対象よりも抑えられている。 (精度とキャリブレーションの両取りができている)
(横軸がスロット数)
論文URL
https://abdollahpouri.github.io/assets/docs/wsdm2023.pdf
著者
Himan Abdollahpouri, Zahra Nazari, Alex Gain, Clay Gibson, Maria Dimakopoulou, Jesse Anderton, Benjamin Carterette, Mounia Lalmas, Tony Jebara
会議
WSDM '23
近年の推薦システムでは、推薦リストにおいてユーザの様々な(過去の)関心領域が、それぞれの割合で反映されることを保証するキャリブレーションが注目されている。
推薦リストは、ユーザーの持つ少数派の興味が蔑ろにされたり、全体的に人気のあるアイテムに支配されたりすることが多い。
先行研究でキャリブレーションは、貪欲法によって考慮されているが、これは現実的な時間内に解を求める保証ができない。また、一般的にキャリブレーションは推薦自体の精度劣化を引き起こすことがわかっている
目的
アプローチ
評価
キャリブレーションしつつ、他の手法と比べて精度劣化を抑えられた
ひとことメモ
spotifyの人の論文