論文の概要: Survey for Trust-aware Recommender Systems: A Deep Learning Perspective
- arxiv url: http://arxiv.org/abs/2004.03774v2
- Date: Tue, 6 Oct 2020 00:45:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-15 09:38:52.378646
- Title: Survey for Trust-aware Recommender Systems: A Deep Learning Perspective
- Title（参考訳）: 信頼認識型推薦システムに関する調査--深層学習の視点から
- Authors: Manqing Dong, Feng Yuan, Lina Yao, Xianzhi Wang, Xiwei Xu and Liming
Zhu
- Abstract要約: 信頼できるレコメンデーションシステムを採用することが重要になります。
本調査では,信頼を意識したレコメンデータシステムの3つのカテゴリについて概説する。
- 参考スコア（独自算出の注目度）: 48.2733163413522
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: A significant remaining challenge for existing recommender systems is that
users may not trust the recommender systems for either lack of explanation or
inaccurate recommendation results. Thus, it becomes critical to embrace a
trustworthy recommender system. This survey provides a systemic summary of
three categories of trust-aware recommender systems: social-aware recommender
systems that leverage users' social relationships; robust recommender systems
that filter untruthful noises (e.g., spammers and fake information) or enhance
attack resistance; explainable recommender systems that provide explanations of
recommended items. We focus on the work based on deep learning techniques, an
emerging area in the recommendation research.
- Abstract（参考訳）: 既存のレコメンデーションシステムにとって大きな課題は、ユーザがレコメンデーションシステムに説明の欠如や不正確なレコメンデーション結果の欠如を信用できないことだ。
したがって、信頼できるレコメンデーションシステムを採用することが重要になる。
本調査は,ユーザの社会的関係を利用するソーシャルアウェアレコメンダシステム,不正なノイズ(スパムや偽情報など)をフィルタリングし,攻撃耐性を高める堅牢なレコメンダシステム,レコメンダシステム,レコメンデーション項目の説明を提供する説明可能なレコメンダシステム,の3つのカテゴリを体系的に要約する。
我々は,レコメンデーション研究の新しい分野である深層学習技術に基づく研究に焦点を当てている。
関連論文リスト
- RecRec: Algorithmic Recourse for Recommender Systems [41.97186998947909]
特定の予測やレコメンデーションを行う上で、すべての利害関係者がモデルの理論的根拠を理解することが不可欠です。
これは、リコメンデーションシステムに依存するコンテンツプロバイダにとって特に当てはまります。
本稿では,コンテンツ提供者を対象としたレコメンデーションシステムのためのレコメンデーションフレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-28T22:26:50Z) - User-Controllable Recommendation via Counterfactual Retrospective and
Prospective Explanations [96.45414741693119]
本稿では,説明可能性と可制御性をシームレスに統合するユーザ制御型レコメンデータシステムを提案する。
反ファクト推論を通じて、ふりかえりと予測的な説明の両方を提供することで、ユーザーはシステムに対する制御をカスタマイズできる。
論文 参考訳（メタデータ） (2023-08-02T01:13:36Z) - A Survey on Fairness-aware Recommender Systems [59.23208133653637]
本稿では,様々なレコメンデーションシナリオにおいてフェアネスの概念を提示し,現在の進歩を包括的に分類し,レコメンデーションシステムのさまざまな段階におけるフェアネスを促進するための典型的な手法を紹介する。
次に、フェアネスを意識したレコメンデーションシステムが実業界における産業応用に与える影響について検討する。
論文 参考訳（メタデータ） (2023-06-01T07:08:22Z) - Recommender Systems: A Primer [7.487718119544156]
本稿では,従来のレコメンデーション問題の定式化について概説する。
次に、アイテム検索とランキングのための古典的アルゴリズムパラダイムをレビューする。
本稿では,近年のレコメンデーションシステム研究の進展について論じる。
論文 参考訳（メタデータ） (2023-02-06T06:19:05Z) - A Comprehensive Survey on Trustworthy Recommender Systems [32.523177842969915]
本稿では,信頼に値するレコメンダシステム (TRec) の概要について概説する。
それぞれの側面について、最近の技術についてまとめ、信頼性の高いレコメンデータシステムの実現を支援する研究の方向性について論じる。
論文 参考訳（メタデータ） (2022-09-21T04:34:17Z) - Breaking Feedback Loops in Recommender Systems with Causal Inference [99.22185950608838]
近年の研究では、フィードバックループが推奨品質を損なう可能性があり、ユーザの振る舞いを均質化している。
本稿では、因果推論を用いてフィードバックループを確実に破壊するアルゴリズムCAFLを提案する。
従来の補正手法と比較して,CAFLは推奨品質を向上することを示す。
論文 参考訳（メタデータ） (2022-07-04T17:58:39Z) - A Review on Pushing the Limits of Baseline Recommendation Systems with
the integration of Opinion Mining & Information Retrieval Techniques [0.0]
Recommendation Systemsでは、利用者の期待にタイムリーかつ関連性がありながら、コミュニティ内のトレンドアイテムを識別することができる。
より優れた品質のレコメンデーションを達成するために、ディープラーニングの手法が提案されている。
研究者たちは、最も効果的なレコメンデーションを提供するために、標準レコメンデーションシステムの能力を拡大しようと試みている。
論文 参考訳（メタデータ） (2022-05-03T22:13:33Z) - Knowledge Transfer via Pre-training for Recommendation: A Review and
Prospect [89.91745908462417]
実験による推薦システムに対する事前学習の利点を示す。
事前学習を伴うレコメンデータシステムの今後の研究に向けて,いくつかの将来的な方向性について論じる。
論文 参考訳（メタデータ） (2020-09-19T13:06:27Z) - A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
我々は知識グラフに基づく推薦システムの体系的な調査を行う。
論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。
これらの作業で使用されるデータセットを紹介します。
論文 参考訳（メタデータ） (2020-02-28T02:26:30Z)
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。