Safe Collaborative Filtering

要約

優れたテール パフォーマンスは、データセット内の困難なサンプルを効果的に処理できるため、アルゴリズムの公平性、クラスの不均衡、リスクに敏感な意思決定などの最新の機械学習タスクにとって非常に重要です。
テールのパフォーマンスは、満足度の低いユーザーを失うリスクを軽減するためのパーソナライズされたレコメンダー システムの成功の重要な決定要因でもあります。
この研究では、平均的なパフォーマンスに焦点を当てるのではなく、満足度の低いユーザーに対する推奨品質を優先する「安全な」協調フィルタリング手法を導入しています。
私たちのアプローチは、ユーザーの損失のテールに対する平均リスクを表す条件付きバリューアットリスク (CVaR) を最小限に抑えます。
Web スケールのレコメンダー システムの計算上の課題を克服するために、最もスケーラブルな手法である陰的交互最小二乗法 (iALS) を拡張する、堅牢かつ実用的なアルゴリズムを開発しました。
現実世界のデータセットに対する経験的評価により、競争力のある計算効率を維持しながら、私たちのアプローチの優れたテールパフォーマンスが実証されました。

要約(オリジナル)

Excellent tail performance is crucial for modern machine learning tasks, such as algorithmic fairness, class imbalance, and risk-sensitive decision making, as it ensures the effective handling of challenging samples within a dataset. Tail performance is also a vital determinant of success for personalised recommender systems to reduce the risk of losing users with low satisfaction. This study introduces a ‘safe’ collaborative filtering method that prioritises recommendation quality for less-satisfied users rather than focusing on the average performance. Our approach minimises the conditional value at risk (CVaR), which represents the average risk over the tails of users’ loss. To overcome computational challenges for web-scale recommender systems, we develop a robust yet practical algorithm that extends the most scalable method, implicit alternating least squares (iALS). Empirical evaluation on real-world datasets demonstrates the excellent tail performance of our approach while maintaining competitive computational efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google