BHEISR: Nudging from Bias to Balance — Promoting Belief Harmony by Eliminating Ideological Segregation in Knowledge-based Recommendations

要約

パーソナライズされたレコメンデーション システムの領域では、主にフィルター バブルに起因する現象である信念の不均衡とユーザーのバイアスが増幅することが懸念されています。
この重大な問題に対処するために、既存のレコメンデーション システムにおけるフィルター バブル効果の悪影響を軽減するために、ユーザーと既存のレコメンデーション システムの間に革新的な中間機関 (BHEISR) を導入します。
主な目的は、フィルターバブルによる悪影響を最小限に抑えながら、ユーザーの信念のバランスをとることです。
BHEISR モデルは、民主的で透明性のある原則を維持しながら、ナッジ理論の原則を融合しています。
ユーザー固有のカテゴリ情報を活用して、ユーザーが最初は興味がないと思われる分野でも好奇心を刺激します。
このモデルは、新しいカテゴリへの興味を徐々に刺激することで、ユーザーが信念の視野を広げ、普段見落としがちな情報を探索することを奨励します。
私たちのモデルは時間に敏感であり、ユーザーのフィードバック ループで動作します。
これは、モデルの既存の推奨アルゴリズムを利用し、以前の時間枠からのユーザーのフィードバックを組み込みます。
このアプローチは、ユーザーの好みやシステム固有のビジネス要件にも対応しながら、フィルター バブルの制約を超え、推奨事項の多様性を高め、ユーザー間の信念のバランスを保つよう努めます。
BHEISR モデルの有効性と信頼性を検証するために、実世界のデータセットを使用して一連の包括的な実験を実施しました。
これらの実験では、フィルターバブルの影響を受けた約 200 人のユーザーを被験者として使用し、BHEISR モデルのパフォーマンスをいくつかのベースライン モデルと比較しました。
私たちの実験結果は、フィルターの気泡を軽減し、ユーザーの視点のバランスをとるという点で、BHEISR モデルの優れたパフォーマンスを決定的に示しています。

要約(オリジナル)

In the realm of personalized recommendation systems, the increasing concern is the amplification of belief imbalance and user biases, a phenomenon primarily attributed to the filter bubble. Addressing this critical issue, we introduce an innovative intermediate agency (BHEISR) between users and existing recommendation systems to attenuate the negative repercussions of the filter bubble effect in extant recommendation systems. The main objective is to strike a belief balance for users while minimizing the detrimental influence caused by filter bubbles. The BHEISR model amalgamates principles from nudge theory while upholding democratic and transparent principles. It harnesses user-specific category information to stimulate curiosity, even in areas users might initially deem uninteresting. By progressively stimulating interest in novel categories, the model encourages users to broaden their belief horizons and explore the information they typically overlook. Our model is time-sensitive and operates on a user feedback loop. It utilizes the existing recommendation algorithm of the model and incorporates user feedback from the prior time frame. This approach endeavors to transcend the constraints of the filter bubble, enrich recommendation diversity, and strike a belief balance among users while also catering to user preferences and system-specific business requirements. To validate the effectiveness and reliability of the BHEISR model, we conducted a series of comprehensive experiments with real-world datasets. These experiments compared the performance of the BHEISR model against several baseline models using nearly 200 filter bubble-impacted users as test subjects. Our experimental results conclusively illustrate the superior performance of the BHEISR model in mitigating filter bubbles and balancing user perspectives.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google