مقابله با سوگیری جریان اصلی از طریق یادگیری محلی تطبیقی ​​انتها به انتها: عملکرد بی طرفانه

جدول پیوندها

چکیده و 1 مقدمه

2 مقدماتی

3 یادگیری محلی تطبیقی ​​سرتاسر

3.1 ترکیبی از متخصصان ضرر محور

3.2 یادگیری همزمان از طریق وزن تطبیقی

4 آزمایش Debiasing و 4.1 راه اندازی آزمایشی

4.2 عملکرد منحرف کننده

4.3 مطالعه فرسایش

4.4 اثر ماژول وزن تطبیقی ​​و 4.5 مطالعه فراپارامتر

5 کارهای مرتبط

6 نتیجه گیری، قدردانی ها و مراجع

4.2 عملکرد منحرف کننده

ابتدا، ما یک تحلیل مقایسه ای برای نشان دادن اثربخشی TALL پیشنهادی انجام می دهیم. در جدول 2، NDCG@20 کلی و میانگین NDCG@20 را برای پنج زیر گروه کاربر با سطوح اصلی متفاوت برای همه روش‌ها و مجموعه داده‌ها ارزیابی می‌کنیم. بهترین نتایج هر متریک و زیرگروه برای همه مجموعه‌های داده به صورت پررنگ مشخص می‌شود و نرخ بهبود TALL پیشنهادی نسبت به بهترین خط پایه MultVAE، LOCA، و LFT نیز نمایش داده می‌شود. زیرگروه های کاربران بر اساس امتیازات اصلی آنها دسته بندی می شوند.

TALL در مقابل MultVAE & WL. اول، ما می‌توانیم مشاهده کنیم که برنامه‌های کاربردی برای کاربران هر پنج زیرگروه توسط TALL پیشنهادی ما در مقایسه با مدل پرکاربرد MultVAE به میزان زیادی ارتقا می‌یابند. علاوه بر این، می‌توانیم ببینیم که اگرچه روش بی‌طرفی جهانی WL می‌تواند سوگیری جریان اصلی را تا حدی در مقایسه با MultVAE کاهش دهد، TALL پیشنهادی ما می‌تواند بالاتر…