RecSys 2020 (6) Day2, Fairness, Filter Bubbles, and Ethical Concerns
Keynote 、前のセッションに続き、bias の日みたいになっている。
Theoretical Modeling of the Iterative Properties of User Discovery in a Collaborative Filtering Recommender System
Abstract
Closed Feedback Loops bias により、 Filter bubbleなどの現象がおきる。これをシミュレーションできるか、件書うしてみた。 Filter bubble 状態に収束している様子がわかる。genre が20以下、と小さなデータセットで実験しても全部を探索しない。すぐに「知らない世界」が出来上がってしまう。
感想
CF をつかって実験しているから簡単にひとつのジャンルに収束してしまっているが、他の手法だったら違うかもしれない。 とはいうものの、コンピュータもすぐに過去の成功体験にしばられてunlearn できなくなる感じが面白い。
Deconstructing the Filter Bubble: User Decision-Making and Recommender Systems
Abstract
推薦システムでは個人の嗜好によらず「Popular なものがより消費されやす」くなる。Filter Bubbles / Homogenization と言われる現象。で...
- 膨大な選択肢の中からちょっとずつ消費
- ユーザは実際のところ消費するまで価値があるかわからない
- ユーザは同じようなものが好きだろうな、って思う
- common value
感想
ごめんなさいわからなかった
Global and Local Differential Privacy for Collaborative Bandits
Collaborative Bandits = cold start 問題をbandit で解消する方法。Differential Privacy では、Private Linear Bandit の先行研究があるが、計算量の多さをsocial graph をつかってcalibrate するところが工夫した
という話であっているのかどうかわからない。Abstract をよもう。
Towards Safety and Sustainability: Designing Local Recommendations for Post-pandemic World
Abstract
レストランとか地域のなにかを推薦するようなシステム。
- レストランがつぶれないように推薦する
- あまり混雑しないようにする
- それぞれの人の好みに合わせた推薦をする
露出がすくないと店がつぶれてしまうが、露出を多くし人がきすぎると密になる。Poorest-k だと1/2 を満たすが顧客のメリットがない。そのため、1/2/3 を
3つ関数つくって最適化する。3つの要素がいい感じに保たれる結果になる。 reciprocal recommendation との違いはなんですか?という質問あり。
感想
テーマ選択の勝利
Revisiting Adversarially Learned Injection Attacks Against Recommender Systems
Abstract
Google。攻撃してくるやつを検知するために、 Gradient Descent をつかいたいが、どうやって計算するの?な問題にTensorflow でがんばったよ
Attackが結構きいてしまうこともわかっている。
感想
Tensorflow Recommendations!
Debiasing Item-to-Item Recommendations with Small Annotated Datasets
Abstract
人気の映画は共起しやすいから推薦されやすい問題を解決する話。IPSが よくでてきます。
Estimate propensities。ちょっとでも Labeled Data があれば、それを利用してよくする。
propensity = 傾向スコア
感想
あとでよむ。