論文の概要: A Soft Recommender System for Social Networks

• arxiv url: http://arxiv.org/abs/2001.02520v1
• Date: Wed, 8 Jan 2020 13:38:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-13 13:16:09.491934
• Title: A Soft Recommender System for Social Networks
• Title（参考訳）: ソーシャルネットワークのためのソフトレコメンダシステム
• Authors: Marzieh Pourhojjati-Sabet and Azam Rabiee
• Abstract要約: 最近のソーシャルレコメンデーションシステムは、正確なレコメンデーションを行うために友情グラフの恩恵を受けている。 われわれはさらに一歩進んで、もっとリアルなリコメンデーションをする真の友達を特定した。 ユーザ間の類似度と,ユーザとアイテム間の依存関係を計算した。
• 参考スコア（独自算出の注目度）: 1.8275108630751844
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent social recommender systems benefit from friendship graph to make an accurate recommendation, believing that friends in a social network have exactly the same interests and preferences. Some studies have benefited from hard clustering algorithms (such as K-means) to determine the similarity between users and consequently to define degree of friendships. In this paper, we went a step further to identify true friends for making even more realistic recommendations. we calculated the similarity between users, as well as the dependency between a user and an item. Our hypothesis is that due to the uncertainties in user preferences, the fuzzy clustering, instead of the classical hard clustering, is beneficial in accurate recommendations. We incorporated the C-means algorithm to get different membership degrees of soft users' clusters. Then, the users' similarity metric is defined according to the soft clusters. Later, in a training scheme we determined the latent representations of users and items, extracting from the huge and sparse user-item-tag matrix using matrix factorization. In the parameter tuning, we found the optimum coefficients for the influence of our soft social regularization and the user-item dependency terms. Our experimental results convinced that the proposed fuzzy similarity metric improves the recommendations in real data compared to the baseline social recommender system with the hard clustering.
• Abstract（参考訳）: 近年のソーシャルレコメンデーションシステムは、ソーシャルネットワークの友人が全く同じ関心事や好みを持っていると信じ、正確なレコメンデーションを行うために友情グラフの恩恵を受けている。 いくつかの研究は、ユーザ間の類似性を判断し、結果として友情の程度を定義するために、ハードクラスタリングアルゴリズム(K平均など)の恩恵を受けている。 本稿では,さらに現実的なレコメンデーションを行うために,真の友人を特定するための一歩を踏み出した。 ユーザ間の類似度と,ユーザとアイテム間の依存性を計算しました。 この仮説は,ユーザの好みの不確実性から,従来のハードクラスタリングではなくファジィクラスタリングが正確な推奨に有効である,というものである。 ソフトユーザクラスタの異なるメンバシップ度を得るために,C平均アルゴリズムを組み込んだ。 そして、ソフトクラスタに応じてユーザの類似度メトリックが定義される。 その後,学習手法を用いて,巨大かつ疎度なユーザ・イテムタグ行列から行列係数を用いたユーザ・項目の潜在表現を抽出した。 パラメータチューニングでは,ソフトな社会的正規化とユーザ・イテム依存項の影響に対する最適係数が得られた。 実験結果から,提案するファジィ類似度指標は,ハードクラスタリングを用いたベースラインソーシャルリコメンデータシステムと比較して,実データにおけるレコメンデーションを改善することを確信した。

関連論文リスト

• Quantifying User Coherence: A Unified Framework for Cross-Domain Recommendation Analysis [69.37718774071793]
  本稿では,レコメンデーションシステムを理解するための新しい情報理論手法を提案する。 9つのデータセットで7つのレコメンデーションアルゴリズムを評価し、測定値と標準的なパフォーマンス指標の関係を明らかにする。
  論文  参考訳（メタデータ） (2024-10-03T13:02:07Z)
• Algorithmic Drift: A Simulation Framework to Study the Effects of Recommender Systems on User Preferences [7.552217586057245]
  本稿では,長期シナリオにおけるユーザ-リコメンダ間のインタラクションを模倣するシミュレーションフレームワークを提案する。 本稿では,ユーザの嗜好に対するアルゴリズムの影響を定量化する2つの新しい指標について紹介する。
  論文  参考訳（メタデータ） (2024-09-24T21:54:22Z)
• Retrieval Augmentation via User Interest Clustering [57.63883506013693]
  インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。 本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。 当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
  論文  参考訳（メタデータ） (2024-08-07T16:35:10Z)
• End-to-end Learnable Clustering for Intent Learning in Recommendation [54.157784572994316]
  我々は、アンダーラインELCRecと呼ばれる新しい意図学習手法を提案する。 振る舞い表現学習をUnderlineEnd-to-end UnderlineLearnable UnderlineClusteringフレームワークに統合する。 1億3000万ページビューの産業レコメンデーションシステムに本手法をデプロイし,有望な結果を得る。
  論文  参考訳（メタデータ） (2024-01-11T15:22:55Z)
• ClusterSeq: Enhancing Sequential Recommender Systems with Clustering based Meta-Learning [3.168790535780547]
  ClusterSeqはメタラーニングクラスタリングに基づくシーケンスレコメンダシステムである。 ユーザシーケンスの動的情報を利用して、サイド情報がない場合でもアイテム予測精度を高める。 提案手法は平均相反ランク(MRR)において16～39%の大幅な改善を実現する。
  論文  参考訳（メタデータ） (2023-07-25T18:53:24Z)
• Graph Collaborative Signals Denoising and Augmentation for Recommendation [75.25320844036574]
  ユーザ・ユーザ・項目間の相関を組み込んだグラフ隣接行列を提案する。 ユーザ・ユーザ・イテム相関と項目・イテム相関が組み合わさることで,豊富なインタラクションと不十分なインタラクションを持つユーザのレコメンデーションが向上することを示す。
  論文  参考訳（メタデータ） (2023-04-06T19:43:37Z)
• Understanding or Manipulation: Rethinking Online Performance Gains of Modern Recommender Systems [38.75457258877731]
  本稿では,推薦アルゴリズムの操作度をベンチマークするフレームワークを提案する。 オンラインクリックスルー率が高いことは、必ずしもユーザーの初期嗜好をよりよく理解するという意味ではない。 我々は,制約付きユーザ嗜好操作による最適化問題として,将来のレコメンデーションアルゴリズムの研究を取り扱うべきであることを主張する。
  論文  参考訳（メタデータ） (2022-10-11T17:56:55Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• GHRS: Graph-based Hybrid Recommendation System with Application to Movie Recommendation [0.0]
  本稿では,ユーザのレーティングの類似性に関連するグラフベースモデルを用いたレコメンデータシステムを提案する。 オートエンコーダの特徴抽出の利点を生かして,全ての属性を組み合わせて新しい特徴を抽出する。 The experimental results on the MovieLens dataset shows that the proposed algorithm developed many existing recommendation algorithm on recommendation accuracy。
  論文  参考訳（メタデータ） (2021-11-06T10:47:45Z)
• 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)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。