論文の概要: Multi-objective Consensus Clustering Framework for Flight Search Recommendation

• arxiv url: http://arxiv.org/abs/2002.10241v2
• Date: Wed, 26 Feb 2020 14:41:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-30 06:24:19.775452
• Title: Multi-objective Consensus Clustering Framework for Flight Search Recommendation
• Title（参考訳）: 飛行探索勧告のための多目的合意クラスタリングフレームワーク
• Authors: Sujoy Chatterjee, Nicolas Pasquier, Simon Nanty, Maria A. Zuluaga
• Abstract要約: クラスタリング・アンサンブル・アプローチは、古典的なクラスタリング・アプローチのよく知られた問題を克服するために開発された。 本稿では,Amadeusの顧客検索データを解析するために,クラスタリングアンサンブルを用いた多目的最適化フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.5782961896413035
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the travel industry, online customers book their travel itinerary according to several features, like cost and duration of the travel or the quality of amenities. To provide personalized recommendations for travel searches, an appropriate segmentation of customers is required. Clustering ensemble approaches were developed to overcome well-known problems of classical clustering approaches, that each rely on a different theoretical model and can thus identify in the data space only clusters corresponding to this model. Clustering ensemble approaches combine multiple clustering results, each from a different algorithmic configuration, for generating more robust consensus clusters corresponding to agreements between initial clusters. We present a new clustering ensemble multi-objective optimization-based framework developed for analyzing Amadeus customer search data and improve personalized recommendations. This framework optimizes diversity in the clustering ensemble search space and automatically determines an appropriate number of clusters without requiring user's input. Experimental results compare the efficiency of this approach with other existing approaches on Amadeus customer search data in terms of internal (Adjusted Rand Index) and external (Amadeus business metric) validations.
• Abstract（参考訳）: 旅行業界では、オンライン顧客は旅行の費用や期間、アメニティの質など、いくつかの特徴に従って旅行日程を予約する。 旅行検索のためのパーソナライズドレコメンデーションを提供するには、適切な顧客のセグメンテーションが必要である。 クラスタリングアンサンブルアプローチは、古典的なクラスタリングアプローチのよく知られた問題を克服するために開発された。 クラスタリングアンサンブルアプローチでは、異なるアルゴリズム構成の複数のクラスタリング結果を組み合わせて、初期クラスタ間の合意に対応するより堅牢なコンセンサスクラスタを生成する。 本稿では,アマデウス顧客検索データを解析し,パーソナライズドレコメンデーションを改善するために開発されたクラスタリングアンサンブル多目的最適化ベースフレームワークを提案する。 このフレームワークはクラスタリングアンサンブル検索空間の多様性を最適化し、ユーザの入力を必要としない適切な数のクラスタを自動的に決定する。 このアプローチの効率性は,内部(調整ランド指数)と外部(アマデウス・ビジネス・メトリック)の検証の観点から,アマデウス・カスタマ・サーチ・データに関する他の既存手法と比較した。

関連論文リスト

• From A-to-Z Review of Clustering Validation Indices [4.08908337437878]
  我々は、最も一般的なクラスタリングアルゴリズムを用いて、内部および外部クラスタリング検証指標の性能をレビューし、評価する。 内部クラスタリング検証と外部クラスタリング検証の両方の機能を調べるための分類フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-18T13:52:02Z)
• CLAMS: A System for Zero-Shot Model Selection for Clustering [3.7127285734321194]
  本稿では,最適なトランスポートベースデータセットの類似性を利用して,クラスタリング問題に対するモデル選択を可能にするAutoMLシステムを提案する。 その結果、クラスタリングアプリケーションを解決するための類似性に基づく自動モデル選択の有用性が実証された。
  論文  参考訳（メタデータ） (2024-07-15T23:50:07Z)
• A3S: A General Active Clustering Method with Pairwise Constraints [66.74627463101837]
  A3Sは、適応クラスタリングアルゴリズムによって得られる初期クラスタ結果に対して、戦略的にアクティブクラスタリングを調整する。 さまざまな実世界のデータセットにわたる広範な実験において、A3Sは、人間のクエリを著しく少なくして、望ましい結果を達成する。
  論文  参考訳（メタデータ） (2024-07-14T13:37:03Z)
• Instance-Optimal Cluster Recovery in the Labeled Stochastic Block Model [79.46465138631592]
  観測されたラベルを用いてクラスタを復元する効率的なアルゴリズムを考案する。 本稿では,期待値と高い確率でこれらの下位境界との性能を一致させる最初のアルゴリズムであるIACを提案する。
  論文  参考訳（メタデータ） (2023-06-18T08:46:06Z)
• Hard Regularization to Prevent Deep Online Clustering Collapse without Data Augmentation [65.268245109828]
  オンラインディープクラスタリング(オンラインディープクラスタリング)とは、機能抽出ネットワークとクラスタリングモデルを組み合わせて、クラスタラベルを処理された各新しいデータポイントまたはバッチに割り当てることである。 オフラインメソッドよりも高速で汎用性が高いが、オンラインクラスタリングは、エンコーダがすべての入力を同じポイントにマッピングし、すべてを単一のクラスタに配置する、崩壊したソリューションに容易に到達することができる。 本稿では,データ拡張を必要としない手法を提案する。
  論文  参考訳（メタデータ） (2023-03-29T08:23:26Z)
• Clustering Optimisation Method for Highly Connected Biological Data [0.0]
  接続クラスタリング評価のための単純な指標が,生物データの最適セグメンテーションにつながることを示す。 この作業の斬新さは、混雑したデータをクラスタリングするための単純な最適化方法の作成にある。
  論文  参考訳（メタデータ） (2022-08-08T17:33:32Z)
• On the Convergence of Clustered Federated Learning [57.934295064030636]
  統合学習システムでは、例えばモバイルデバイスや組織参加者といったクライアントは通常、個人の好みや行動パターンが異なる。 本稿では,クライアントグループと各クライアントを統一最適化フレームワークで活用する,新しい重み付きクライアントベースクラスタリングFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-13T02:39:19Z)
• Personalized Federated Learning via Convex Clustering [72.15857783681658]
  本稿では,局所凸型ユーザコストを用いた個人化フェデレーション学習のためのアルゴリズム群を提案する。 提案するフレームワークは,異なるユーザのモデルの違いをペナル化する凸クラスタリングの一般化に基づいている。
  論文  参考訳（メタデータ） (2022-02-01T19:25:31Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)

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。