論文の概要: Enabling the Analysis of Personality Aspects in Recommender Systems
- arxiv url: http://arxiv.org/abs/2001.04825v1
- Date: Tue, 7 Jan 2020 23:02:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-13 20:35:43.804275
- Title: Enabling the Analysis of Personality Aspects in Recommender Systems
- Title(参考訳): レコメンダシステムにおけるパーソナリティ側面の分析を可能にする
- Authors: Shahpar Yakhchi (1), Amin Beheshti (1), Seyed Mohssen Ghafari (1),
Mehmet Orgun (1) ((1) Macquarie University- Sydney-Australia)
- Abstract要約: 既存のレコメンデーションシステムは、ユーザーからのフィードバック、例えば評価、類似したユーザーを検出するための一般的な項目に対するレビューの活用に重点を置いている。
我々はこの問題を,共通項目に対するフィードバックのないデータスパシティ (DSW-n-FCI) と呼んでいる。
ユーザの個性タイプを,ユーザの負担なく暗黙的に識別し,ユーザの個人的関心や知識レベルとともに取り入れる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing Recommender Systems mainly focus on exploiting users' feedback,
e.g., ratings, and reviews on common items to detect similar users. Thus, they
might fail when there are no common items of interest among users. We call this
problem the Data Sparsity With no Feedback on Common Items (DSW-n-FCI).
Personality-based recommender systems have shown a great success to identify
similar users based on their personality types. However, there are only a few
personality-based recommender systems in the literature which either discover
personality explicitly through filling a questionnaire that is a tedious task,
or neglect the impact of users' personal interests and level of knowledge, as a
key factor to increase recommendations' acceptance. Differently, we identifying
users' personality type implicitly with no burden on users and incorporate it
along with users' personal interests and their level of knowledge. Experimental
results on a real-world dataset demonstrate the effectiveness of our model,
especially in DSW-n-FCI situations.
- Abstract(参考訳): 既存のRecommender Systemsは主にユーザーのフィードバック、例えば評価、類似したユーザーを検出するための共通項目のレビューの活用に重点を置いている。
したがって、ユーザ間で共通の関心事がない場合に失敗する可能性がある。
我々はこの問題を,DSW-n-FCI (Data Sparsity With Feedback on Common Items) と呼んでいる。
パーソナリティに基づくレコメンデーションシステムは、パーソナリティのタイプに基づいて類似ユーザを特定することに成功している。
しかし、文献には、退屈なタスクであるアンケートに記入して人格を明示的に発見する人格ベースの推薦システムや、ユーザの個人的関心や知識のレベルの影響を無視するものもある。
異なるのは、ユーザの個性タイプを暗黙的に識別し、ユーザの個人的関心や知識のレベルとともに、それを取り入れることである。
実世界のデータセットにおける実験結果は,特にdsw-n-fciにおけるモデルの有効性を示す。
関連論文リスト
- Rethinking the Evaluation of Dialogue Systems: Effects of User Feedback on Crowdworkers and LLMs [57.16442740983528]
アドホック検索では、評価は暗黙のフィードバックを含むユーザーの行動に大きく依存する。
アノテータの会話知覚におけるターン評価におけるユーザフィードバックの役割はほとんど研究されていない。
本稿では,タスク指向対話システム(TDS)の評価が,ターンのフォローアップ発話を通じて提供されるユーザフィードバック,明示的あるいは暗黙的な評価にどのように影響するかに注目した。
論文 参考訳(メタデータ) (2024-04-19T16:45:50Z) - Debiasing Recommendation by Learning Identifiable Latent Confounders [49.16119112336605]
コンバウンディングバイアスは、ユーザの露出とフィードバックの両方に影響を与える未測定変数の存在によって生じる。
既存の手法では,(1) 未測定変数について不確定な仮定を行うか,(2) 潜伏した共同創設者を直接ユーザの露出から推測する。
本稿では、上記の非識別問題の解決にプロキシ変数の集合を利用する新しい方法、すなわち、識別可能なデコノウ(iDCF)を提案する。
論文 参考訳(メタデータ) (2023-02-10T05:10:26Z) - Influential Recommender System [12.765277278599541]
Influential Recommender System (IRS) は,ユーザが対象アイテムを好むように積極的に導くことを目的とした,新しいレコメンデーションパラダイムである。
IRSは、ユーザに慎重に選択された項目(影響経路と呼ばれる)のシーケンスを徐々に推奨する。
IRNはベースラインレコメンデータよりも優れており,ユーザの興味に影響を及ぼす能力を示している。
論文 参考訳(メタデータ) (2022-11-18T03:04:45Z) - Justification of Recommender Systems Results: A Service-based Approach [4.640835690336653]
本稿では,サービスモデルを用いて商品とのインタラクションのすべての段階に関するレビューから経験データを抽出する,新たな正当化手法を提案する。
ユーザスタディでは,提案手法を,推奨システムの結果の正当性を反映したベースラインと比較した。
我々のモデルは、好奇心のレベルが異なるユーザや、認知の必要度(NfC)の低いユーザによって、より高いインタフェース適合度と満足度の評価を受けた。
これらの知見は、推薦システムの結果を正当化するためのサービスモデルの導入を奨励するが、多様なインタラクションニーズに適合するパーソナライズ戦略の調査を推奨する。
論文 参考訳(メタデータ) (2022-11-07T11:08:19Z) - Personalizing Intervened Network for Long-tailed Sequential User
Behavior Modeling [66.02953670238647]
タイルユーザーは、共同トレーニング後のヘッドユーザーよりも大幅に品質の低いレコメンデーションに悩まされる。
テールユーザーで個別に訓練されたモデルは、限られたデータのために依然として劣った結果が得られる。
本稿では,テールユーザの推薦性能を大幅に向上させる新しい手法を提案する。
論文 参考訳(メタデータ) (2022-08-19T02:50:19Z) - Joint Multisided Exposure Fairness for Recommendation [76.75990595228666]
本稿では,消費者と生産者の両面から共同で問題をモデル化する,露出公正度尺度のファミリを定式化する。
具体的には、双方の利害関係者に対するグループ属性について、個別のユーザや項目を超えて、より体系的なバイアスを推奨するフェアネスの懸念を識別し緩和する。
論文 参考訳(メタデータ) (2022-04-29T19:13:23Z) - Causal Disentanglement with Network Information for Debiased
Recommendations [34.698181166037564]
近年の研究では、因果的観点からレコメンデーターシステムをモデル化することで、デビアスを提案する。
この設定における重要な課題は、隠れた共同設立者を説明することだ。
我々は,ネットワーク情報(すなわち,ユーザ・ソーシャルおよびユーザ・イテムネットワーク)を活用して,隠れた共同創設者をよりよく近似することを提案する。
論文 参考訳(メタデータ) (2022-04-14T20:55:11Z) - Learning Complex Users' Preferences for Recommender Systems [0.5076419064097734]
この論文は一般的なRSの性能向上に焦点を当てている。
既存の一般的なRSのほとんどは、類似したユーザーを検出するために、一般的なアイテムのユーザーの評価パターンを利用する傾向にある。
本研究では,その性格特性の類似性に基づいて,類似したユーザを識別するパーソナリティベースのRSを提案する。
論文 参考訳(メタデータ) (2021-07-04T03:25:15Z) - PURS: Personalized Unexpected Recommender System for Improving User
Satisfaction [76.98616102965023]
本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。
3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
論文 参考訳(メタデータ) (2021-06-05T01:33:21Z) - User-Inspired Posterior Network for Recommendation Reason Generation [53.035224183349385]
推奨理由生成は、顧客の関心を惹きつけ、ユーザーエクスペリエンスを向上させる上で重要な役割を果たします。
ユーザインスパイアされたマルチソース後部トランス(MSPT)を提案し,ユーザの興味を反映したモデルを誘導する。
実験の結果,本モデルは従来の生成モデルよりも優れていることがわかった。
論文 参考訳(メタデータ) (2021-02-16T02:08:52Z)
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。