Open chimuichimu opened 3 weeks ago
相互推薦システム(RRS)は、マッチング効率を向上させるために注目されていますが、従来の評価手法では両側の効果を総合的に評価することができません。本研究では、RRSを因果的視点から再定義し、5つの新しい評価指標と、因果効果を考慮したモデルアプローチを提案します。実世界のデータセットを用いた実験で、提案手法の有効性を確認しました
KDD 2024
従来のRRSは片側のレコメンデーションの評価に偏りがちで、システム全体の効果を十分に捉えていません。この偏りがRRSのマッチング効果を制約していることが課題です。これを解決するために、より包括的でバランスの取れた評価方法が求められています。
RRSの性能を真に向上させるには、従来の評価指標を超えて、因果効果を考慮したアプローチが必要です。両側のランキング結果が全体の効果にどのように影響するかを理解し、システム全体の性能を最適化するための新しいモデルと評価基準を開発することが動機です。
論文では、冗長な推薦を減らしたいということから、CRecallとCPrecisionの方を重視しているとのこと。
モデル間のパフォーマンス比較
カバレッジと安定性のトレードオフ
指標の比較分析
アブレーションスタディ
冗長なレコメンデーションのランキング分析
Laurent Mombaerts, Terry Ding, Adi Banerjee, Florian Felice, Jonathan Taws, Tarik Borogovac
KDD 2024
従来のRAGはretrieve-then-readフレームワークによって行われてきた。
ただし、
といった経緯より、期待する推論は難しくなっている
Why
Machine Learning 輪講は最新の技術や論文を追うことで、エンジニアが「技術で解決できること」のレベルをあげていくことを目的にした会です。
prev. #260
What
話したいことがある人はここにコメントしましょう! 面白いものを見つけた時点でとりあえず話すという宣言だけでもしましょう!