Abstract
추천 시스템의 사회적 desirability 을 향상시키기 위한 아이디어를 제공: 입력 데이터에 추가적인 데이터 (해독 데이터) 를 입력
추천의 polarization 또는 fariness 를 capture 하기 위한 측정 방식을 제안
최초 작성 마지막 수정 읽는 데 1분
노트 편집 ↗Fighting Fire with Fire - Using Antidote Data to Improve Polarization and Fairness of Recommender Systems
popularity-opportunity bias(POB) 를 조사하기 위해 세 파트로 나눠서 연구를 진행함
Tags selection bias, Abstract Introduction unbiased ratings 포함시키는 방법: 임의로 선택된 일부 아이템들에 대해 유저들에게 rating 을 요청함 Related work Recommendation Debiasing 기존의 debiasing 은 주로 두 가지 측면에...
추천 시스템에서 학습 또는 평가를 위한 데이터는 대부분 selection bias 에 취약하다.
Tags: paper review, matrix factorization , WWW 19
Reference paper: https://dl.acm.org/doi/pdf/10.1145/3240323.3240372 cailbration 의 목적 In the recommended list of items, calibration ensures that the various (past) areas of...
Blindly fitting the data without considering the inherent biases will result in many serious issues, e.g., the discrepancy between offline evaluation and online metrics,...
“ 만약 사용자에게 강제로 영화를 보게 만든다면 어떻게 평가할 것인가?”: causal inference question
기존의 모든 popularity bias 연구들은 static 추천 task 를 기반으로 진행했지만, 실제 real-world 에서는 dynamic recommendation 형태를 띈다.
selection bias, which occurs because clicked documents are reflective of what documents have been shown to the user in the first place. propose new counterfactual approaches...