「推薦システムにおける二つのタワーモデルの台頭」

「美容とファッションの世界における鮮やかで生き生きとした記事を書く、美容とファッションの専門家です」

ランキングモデルの偏見を解消するために使用される最新のテクノロジーについての詳細な調査

レコメンデーションシステムは、現在世界中で最も普及している機械学習アプリケーションの一つです。しかし、基礎となるランキングモデルには数多くの偏見があり、結果の推奨において品質を制限する可能性があります。公平なランキングモデルの構築（公平な学習ランキング、ULTRとも呼ばれる）は、現在も機械学習の中で最も重要な研究課題の1つであり、まだ解決されていない問題の一つです。

この記事では、業界が比較的最近採用し、バイアスを非常に効果的に制御し、より優れたレコメンデーションシステムを構築することを可能にした特定のモデリングアプローチについて詳しく調査します。それが、一方で関連性を学び、もう一方の（浅い）タワーがバイアスを学ぶ、2つのタワーモデルです。

2つのタワーモデルは、おそらく数年前から業界で使用されているでしょうが、より広範な機械学習コミュニティに正式に紹介された最初の論文は、Huaweiの2019年のPAL論文です。

PAL（Huawei、2019年）- オリジナルの2つのタワーモデル

Huaweiの論文PAL（位置に注意したランキング学習）は、Huaweiアプリストアのコンテキストにおける位置バイアスの問題を考慮しています。

• 初心者向けの転移学習
• 「私は初めてのデータの仕事に就きました、次は何するべきですか？」
• パイプラインの夢：AWSでのMLトレーニングの自動化

位置バイアスは、業界全体で何度もランキングモデルで観察されています。これは単に、最初に表示されるアイテムにユーザーがより頻繁にクリックするという意味です。これは急いでいるためか、ランキングアルゴリズムを盲目的に信頼しているためか、その他の理由があるかもしれません。以下はHuaweiのデータで位置バイアスを示すプロットです：

位置バイアスは問題です。なぜなら、ユーザーが最初のアイテムをクリックしたのがそれが本当に彼らにとって最も関連性のあるアイテムだったからか、最初に表示されたからかを私たちは単純に知ることができないからです。私たちは、レコメンデーションシステムにおいては前者の学習目的を解決することを目指しています。

PALの論文で提案された解決策は、学習問題を以下のように因数分解することです。

p(click|x,position) = p(click|seen,x) x p(seen|position)

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!