Fugu-MT 論文翻訳(概要): Memory Based Collaborative Filtering with Lucene

論文の概要: Memory Based Collaborative Filtering with Lucene

arxiv url: http://arxiv.org/abs/1607.00223v2
Date: Mon, 18 Nov 2024 07:36:40 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-24 17:05:29.821775
Title: Memory Based Collaborative Filtering with Lucene
Title（参考訳）: Luceneを用いたメモリベース協調フィルタリング
Authors: Claudio Gennaro,
Abstract要約: メモリベースの協調フィルタリングは、リコメンデーションを提供するために広く使われているアプローチである。このアプローチの欠点は、一般的な協調フィルタリングシステムの一般化と柔軟性の喪失である。我々は,従来のフルテキスト検索エンジン上に,スケーラブルで効果的な協調フィルタリングシステムを構築する手法を開発した。
参考スコア（独自算出の注目度）: 2.7170928704980253
License:
Abstract: Memory Based Collaborative Filtering is a widely used approach to provide recommendations. It exploits similarities between ratings across a population of users by forming a weighted vote to predict unobserved ratings. Bespoke solutions are frequently adopted to deal with the problem of high quality recommendations on large data sets. A disadvantage of this approach, however, is the loss of generality and flexibility of the general collaborative filtering systems. In this paper, we have developed a methodology that allows one to build a scalable and effective collaborative filtering system on top of a conventional full-text search engine such as Apache Lucene.
Abstract（参考訳）: メモリベースの協調フィルタリングは、リコメンデーションを提供するために広く使われているアプローチである。これは、ユーザーの集団間でのレーティングの類似性を利用して、観測されていないレーティングを予測するために重み付けされた投票を形成する。大規模なデータセットにおける高品質なレコメンデーションの問題に対処するために、Bespokeソリューションが頻繁に採用されている。しかし、このアプローチの欠点は、一般的な協調フィルタリングシステムの一般化と柔軟性の喪失である。本稿では,Apache Luceneのような従来のフルテキスト検索エンジン上に,スケーラブルで効果的な協調フィルタリングシステムを構築する手法を開発した。

関連論文リスト

An Efficient Multi-threaded Collaborative Filtering Approach in Recommendation System [0.0]
本研究は,多数のユーザを効率的に扱えるスケーラブルなレコメンデーションシステムの構築に焦点を当てる。これを実現するために、マルチスレッドの類似性アプローチが採用されている。この並列化は従来の手法に比べて計算時間を著しく短縮し、高速で効率的でスケーラブルなレコメンデーションシステムをもたらす。
論文参考訳（メタデータ） (2024-09-28T06:33:18Z)
Interactive Graph Convolutional Filtering [79.34979767405979]
インタラクティブ・レコメンダ・システム(IRS)は、パーソナライズされた記事レコメンデーション、ソーシャルメディア、オンライン広告など、さまざまな領域でますます利用されている。これらの問題は、コールドスタート問題とデータスポーサリティ問題によって悪化する。既存のMulti-Armed Bandit手法は、慎重に設計された探査戦略にもかかわらず、しばしば初期の段階で満足な結果を提供するのに苦労する。提案手法は,ユーザとアイテム間の協調フィルタリング性能を向上させるため,協調フィルタリングをグラフモデルに拡張する。
論文参考訳（メタデータ） (2023-09-04T09:02:31Z)
Managing multi-facet bias in collaborative filtering recommender systems [0.0]
アイテムグループ間のバイアスドレコメンデーションは、システムに対するユーザの不満を引き起こすとともに、アイテムプロバイダの利益を脅かす可能性がある。本研究の目的は,最先端の協調フィルタリング推薦アルゴリズムの出力における地理的起源と人気に関する新たなタイプの交叉バイアスを管理することである。 2つの実世界の映画と書籍のデータセットに関する大規模な実験は、アイテムの生産大陸に富んだものであり、提案アルゴリズムが精度と上記のバイアスの両タイプの間に合理的なバランスをとっていることを示している。
論文参考訳（メタデータ） (2023-02-21T10:06:01Z)
Broad Recommender System: An Efficient Nonlinear Collaborative Filtering Approach [56.12815715932561]
我々はBroad Collaborative Filtering (BroadCF)と呼ばれる新しい広帯域リコメンデータシステムを提案する。深層ニューラルネットワーク(DNN)の代わりに、ユーザとアイテム間の複雑な非線形関係を学習するためのマッピング機能として、Broad Learning System(BLS)が使用されている。 7つのベンチマークデータセットで実施された大規模な実験により、提案したBroadCFアルゴリズムの有効性が確認された。
論文参考訳（メタデータ） (2022-04-20T01:25:08Z)
Adaptive Sampling for Heterogeneous Rank Aggregation from Noisy Pairwise Comparisons [85.5955376526419]
ランキングアグリゲーション問題では、各項目を比較する際に、様々な精度レベルが示される。本稿では,ノイズのあるペアワイズ比較によってアイテムのランクを推定する,除去に基づくアクティブサンプリング戦略を提案する。提案アルゴリズムは,商品の真のランキングを高い確率で返却できることを示す。
論文参考訳（メタデータ） (2021-10-08T13:51:55Z)
The Stereotyping Problem in Collaboratively Filtered Recommender Systems [77.56225819389773]
行列分解に基づく協調フィルタリングアルゴリズムは,ある種のステレオタイピングを誘導することを示す。一般のユーザ層では、テキストセットの好みが反相関性がある場合、これらの項目は、ユーザーには推奨されない。本稿では,各ユーザの多様な利害関係を捉えるために,代替的なモデリング修正を提案する。
論文参考訳（メタデータ） (2021-06-23T18:37:47Z)
BanditMF: Multi-Armed Bandit Based Matrix Factorization Recommender System [0.0]
マルチアーム・バンディット(MAB)は、探索と搾取のバランスをとるために原則化されたオンライン学習アプローチを提供する。協調フィルタリング(CF)は、おそらく推奨システムにおいて最も早く、最も影響力のある手法である。 BanditMFは、マルチアームバンディットアルゴリズムと協調フィルタリングの2つの課題に対処するように設計されている。
論文参考訳（メタデータ） (2021-06-21T07:35:39Z)
Modurec: Recommender Systems with Feature and Time Modulation [50.51144496609274]
特徴量変調機構を用いて利用可能な情報を全て組み合わせたオートエンコーダに基づくModurecを提案する。 Movielensデータセットでは、これらの修正によって、最も評価された設定で最先端の結果が得られます。
論文参考訳（メタデータ） (2020-10-13T09:18:33Z)
Dependency Aware Filter Pruning [74.69495455411987]
重要でないフィルタを割ることは、推論コストを軽減するための効率的な方法である。以前の作業は、その重み基準やそれに対応するバッチノームスケーリング要因に従ってフィルタをプルークする。所望の空間性を達成するために,空間性誘導正規化を動的に制御する機構を提案する。
論文参考訳（メタデータ） (2020-05-06T07:41:22Z)
Recommendation system using a deep learning and graph analysis approach [1.2183405753834562]
本稿では,行列係数化とグラフ解析に基づく新しい推薦手法を提案する。さらに,ディープオートエンコーダを利用してユーザやアイテムの潜伏要因を初期化し,ディープ埋め込み手法によってユーザの潜伏要因をユーザ信頼グラフから収集する。
論文参考訳（メタデータ） (2020-04-17T08:05:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。