Өөрчлөлтүүд

              
    

          
          
        
        

            
f
1
{
f
1
{
            
2
  "author": "Masoud Mansoury", 
2
  "author": "Masoud Mansoury", 
            
3
  "author_email": "", 
3
  "author_email": "", 
            
4
  "creator_user_id": "15bd024c-0086-4e8a-9c8a-7daa50fd022f", 
4
  "creator_user_id": "15bd024c-0086-4e8a-9c8a-7daa50fd022f", 
            
5
  "extras": [], 
5
  "extras": [], 
            
6
  "groups": [], 
6
  "groups": [], 
            
7
  "id": "d3649d02-c9d2-4e7b-ae04-2cd01b730048", 
7
  "id": "d3649d02-c9d2-4e7b-ae04-2cd01b730048", 
            
8
  "isopen": false, 
8
  "isopen": false, 
            
9
  "license_id": "notspecified", 
9
  "license_id": "notspecified", 
            
10
  "license_title": "License not specified", 
10
  "license_title": "License not specified", 
            
11
  "maintainer": "", 
11
  "maintainer": "", 
            
12
  "maintainer_email": "", 
12
  "maintainer_email": "", 
            
13
  "metadata_created": "2024-04-03T17:52:10.325957", 
13
  "metadata_created": "2024-04-03T17:52:10.325957", 
            
n
14
  "metadata_modified": "2024-04-03T17:52:10.325969", 
n
14
  "metadata_modified": "2024-04-03T17:52:36.301902", 
            
15
  "name": 
15
  "name": 
            
16
"feedback-loop-and-bias-amplification-in-recommender-systems", 
16
"feedback-loop-and-bias-amplification-in-recommender-systems", 
            
17
  "notes": "Recommendation algorithms are known to suffer from 
17
  "notes": "Recommendation algorithms are known to suffer from 
            
18
popularity\r\nbias; a few popular items are recommended frequently 
18
popularity\r\nbias; a few popular items are recommended frequently 
            
19
while the\r\nmajority of other items are ignored. These 
19
while the\r\nmajority of other items are ignored. These 
            
20
recommendations are\r\nthen consumed by the users, their reaction will 
20
recommendations are\r\nthen consumed by the users, their reaction will 
            
21
be logged and added\r\nto the system: what is generally known as a 
21
be logged and added\r\nto the system: what is generally known as a 
            
22
feedback loop. In this\r\npaper, we propose a method for simulating 
22
feedback loop. In this\r\npaper, we propose a method for simulating 
            
23
the users interaction\r\nwith the recommenders in an offline setting 
23
the users interaction\r\nwith the recommenders in an offline setting 
            
24
and study the impact of\r\nfeedback loop on the popularity bias 
24
and study the impact of\r\nfeedback loop on the popularity bias 
            
25
amplification of several recommendation\r\nalgorithms. We then show 
25
amplification of several recommendation\r\nalgorithms. We then show 
            
26
how this bias amplification\r\nleads to several other problems such as 
26
how this bias amplification\r\nleads to several other problems such as 
            
27
declining the aggregate\r\ndiversity, shifting the representation of 
27
declining the aggregate\r\ndiversity, shifting the representation of 
            
28
users\u2019 taste over time and\r\nalso homogenization of the users 
28
users\u2019 taste over time and\r\nalso homogenization of the users 
            
29
experience. In particular, we show\r\nthat the impact of feedback loop 
29
experience. In particular, we show\r\nthat the impact of feedback loop 
            
30
is generally stronger for the users\r\nwho belong to the minority 
30
is generally stronger for the users\r\nwho belong to the minority 
            
31
group.", 
31
group.", 
            
n
32
  "num_resources": 0, 
n
32
  "num_resources": 1, 
            
33
  "num_tags": 0, 
33
  "num_tags": 0, 
            
34
  "organization": {
34
  "organization": {
            
35
    "approval_status": "approved", 
35
    "approval_status": "approved", 
            
36
    "created": "2024-04-03T17:36:28.889232", 
36
    "created": "2024-04-03T17:36:28.889232", 
            
37
    "description": "MusicData UPC es un programa cultural que combina 
37
    "description": "MusicData UPC es un programa cultural que combina 
            
38
la m\u00fasica en directo con reflexiones cr\u00edticas sobre el 
38
la m\u00fasica en directo con reflexiones cr\u00edticas sobre el 
            
39
impacto de los sistemas algor\u00edtmicos en la m\u00fasica digital y 
39
impacto de los sistemas algor\u00edtmicos en la m\u00fasica digital y 
            
40
su influencia en la visibilidad de las personas artistas, coproducido 
40
su influencia en la visibilidad de las personas artistas, coproducido 
            
41
por Digitalfems, EllESmusic y UPCArts.", 
41
por Digitalfems, EllESmusic y UPCArts.", 
            
42
    "id": "556bd88e-b4c2-4656-ada5-2ff463b36321", 
42
    "id": "556bd88e-b4c2-4656-ada5-2ff463b36321", 
            
43
    "image_url": "2024-04-03-173628.874547Logotipo-Blanco.png", 
43
    "image_url": "2024-04-03-173628.874547Logotipo-Blanco.png", 
            
44
    "is_organization": true, 
44
    "is_organization": true, 
            
45
    "name": "musicdataupc", 
45
    "name": "musicdataupc", 
            
46
    "state": "active", 
46
    "state": "active", 
            
47
    "title": "MUSICDATAUPC", 
47
    "title": "MUSICDATAUPC", 
            
48
    "type": "organization"
48
    "type": "organization"
            
49
  }, 
49
  }, 
            
50
  "owner_org": "556bd88e-b4c2-4656-ada5-2ff463b36321", 
50
  "owner_org": "556bd88e-b4c2-4656-ada5-2ff463b36321", 
            
51
  "private": false, 
51
  "private": false, 
            
52
  "relationships_as_object": [], 
52
  "relationships_as_object": [], 
            
53
  "relationships_as_subject": [], 
53
  "relationships_as_subject": [], 
            
t
54
  "resources": [], 
t
54
  "resources": [
            
55
    {
            
56
      "cache_last_updated": null, 
            
57
      "cache_url": null, 
            
58
      "created": "2024-04-03T17:52:36.324000", 
            
59
      "datastore_active": false, 
            
60
      "datastore_contains_all_records_of_source_file": false, 
            
61
      "description": "Recommendation algorithms are known to suffer 
            
62
from popularity\r\nbias; a few popular items are recommended 
            
63
frequently while the\r\nmajority of other items are ignored. These 
            
64
recommendations are\r\nthen consumed by the users, their reaction will 
            
65
be logged and added\r\nto the system: what is generally known as a 
            
66
feedback loop. In this\r\npaper, we propose a method for simulating 
            
67
the users interaction\r\nwith the recommenders in an offline setting 
            
68
and study the impact of\r\nfeedback loop on the popularity bias 
            
69
amplification of several recommendation\r\nalgorithms. We then show 
            
70
how this bias amplification\r\nleads to several other problems such as 
            
71
declining the aggregate\r\ndiversity, shifting the representation of 
            
72
users\u2019 taste over time and\r\nalso homogenization of the users 
            
73
experience. In particular, we show\r\nthat the impact of feedback loop 
            
74
is generally stronger for the users\r\nwho belong to the minority 
            
75
group.", 
            
76
      "format": "PDF", 
            
77
      "hash": "", 
            
78
      "id": "962fd1d8-57ef-4a6b-9465-b6b141d98a2e", 
            
79
      "last_modified": "2024-04-03T17:52:36.292848", 
            
80
      "metadata_modified": "2024-04-03T17:52:36.313788", 
            
81
      "mimetype": "application/pdf", 
            
82
      "mimetype_inner": null, 
            
83
      "name": "2007.13019v1.pdf", 
            
84
      "package_id": "d3649d02-c9d2-4e7b-ae04-2cd01b730048", 
            
85
      "position": 0, 
            
86
      "resource_type": null, 
            
87
      "size": 878085, 
            
88
      "state": "active", 
            
89
      "url": 
            
90
ource/962fd1d8-57ef-4a6b-9465-b6b141d98a2e/download/2007.13019v1.pdf", 
            
91
      "url_type": "upload"
            
92
    }
            
93
  ], 
            
55
  "state": "draft", 
94
  "state": "draft", 
            
56
  "tags": [], 
95
  "tags": [], 
            
57
  "title": "Feedback Loop and Bias Amplification in Recommender 
96
  "title": "Feedback Loop and Bias Amplification in Recommender 
            
58
Systems", 
97
Systems", 
            
59
  "type": "dataset", 
98
  "type": "dataset", 
            
60
  "url": "https://arxiv.org/abs/2007.13019v1", 
99
  "url": "https://arxiv.org/abs/2007.13019v1", 
            
61
  "version": ""
100
  "version": ""
            
62
}
101
}