論文の概要: Exploration-Exploitation Motivated Variational Auto-Encoder for Recommender Systems

• arxiv url: http://arxiv.org/abs/2006.03573v4
• Date: Thu, 10 Jun 2021 18:24:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-25 02:59:11.392751
• Title: Exploration-Exploitation Motivated Variational Auto-Encoder for Recommender Systems
• Title（参考訳）: リコメンダシステムのための探索・探索動機付き変分自動エンコーダ
• Authors: Yizi Zhang, Meimei Liu
• Abstract要約: 協調フィルタリングにおいて,エクスプロビテーション探索型変分自動エンコーダ(XploVAE)を導入する。 パーソナライズされたレコメンデーションを容易にするために、観測されたユーザとイテムのインタラクションを1次にキャプチャする、ユーザ固有のサブグラフを構築した。 階層的潜在空間モデルを用いて、各ユーザに対するパーソナライズされたアイテム埋め込みと、全ユーザサブグラフの人口分布を学習する。
• 参考スコア（独自算出の注目度）: 1.52292571922932
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent years have witnessed rapid developments on collaborative filtering techniques for improving the performance of recommender systems due to the growing need of companies to help users discover new and relevant items. However, the majority of existing literature focuses on delivering items which match the user model learned from users' past preferences. A good recommendation model is expected to recommend items that are known to enjoy and items that are novel to try. In this work, we introduce an exploitation-exploration motivated variational auto-encoder (XploVAE) to collaborative filtering. To facilitate personalized recommendations, we construct user-specific subgraphs, which contain the first-order proximity capturing observed user-item interactions for exploitation and the high-order proximity for exploration. A hierarchical latent space model is utilized to learn the personalized item embedding for a given user, along with the population distribution of all user subgraphs. Finally, experimental results on various real-world datasets clearly demonstrate the effectiveness of our proposed model on leveraging the exploitation and exploration recommendation tasks.
• Abstract（参考訳）: 近年,新規かつ関連性の高い商品の発見を支援する企業のニーズが高まっているため,コラボレーティブフィルタリング技術によるレコメンデーションシステムの性能向上が急速に進んでいる。 しかし,既存文献の大部分は,ユーザの過去の嗜好から学んだユーザモデルにマッチするアイテムの提供に重点を置いている。 よいレコメンデーションモデルでは、楽しめるアイテムと試すのが新しいアイテムを推奨することが期待されます。 本稿では,xplovae(exploration-explorationmotival variational auto-encoder)を協調フィルタリングに適用する。 パーソナライズド・レコメンデーションを容易にするために,探索のためのユーザ-テーマ間インタラクションを観測する一階近接と,探索のための高階近接を含むユーザ固有のサブグラフを構築する。 階層的潜在空間モデルを用いて、各ユーザに対するパーソナライズされたアイテム埋め込みと、全ユーザサブグラフの人口分布を学習する。 最後に, 実世界の様々なデータセットに対する実験結果から, 提案モデルの有効性を明らかにした。

関連論文リスト

• Knowledge Adaptation from Large Language Model to Recommendation for Practical Industrial Application [54.984348122105516]
  大規模テキストコーパスで事前訓練されたLarge Language Models (LLMs) は、推奨システムを強化するための有望な道を示す。 オープンワールドの知識と協調的な知識を相乗化するLlm-driven knowlEdge Adaptive RecommeNdation (LEARN) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-07T04:00:30Z)
• Embedding in Recommender Systems: A Survey [67.67966158305603]
  重要な側面は、ユーザやアイテムIDといった高次元の離散的な特徴を低次元連続ベクトルに包含する技法である。 埋め込み技術の適用は複雑なエンティティ関係を捉え、かなりの研究を刺激している。 この調査では、協調フィルタリング、自己教師付き学習、グラフベースのテクニックなどの埋め込み手法を取り上げている。
  論文  参考訳（メタデータ） (2023-10-28T06:31:06Z)
• Explainable Active Learning for Preference Elicitation [0.0]
  我々は、最小限のユーザ労力で情報取得を最大化することを目的として、この問題を解決するためにアクティブラーニング(AL)を採用している。 ALは、大きなラベルのない集合から情報的データを選択して、それらをラベル付けするオラクルを問い合わせる。 ベースとなる機械学習(ML)モデルを更新するために、ユーザからのフィードバック(提示された項目に関するシステムの説明のために)を情報的なサンプルから収集する。
  論文  参考訳（メタデータ） (2023-09-01T09:22:33Z)
• PIE: Personalized Interest Exploration for Large-Scale Recommender Systems [0.0]
  これらの課題に対処するために,大規模レコメンデータシステムにおける探索のためのフレームワークを提案する。 我々の方法論は、最小限の修正で既存の大規模レコメンデータシステムに容易に統合できる。 私たちの仕事は、何十億ものユーザーを対象とする人気のビデオ発見および共有プラットフォームであるFacebook Watchで運用されている。
  論文  参考訳（メタデータ） (2023-04-13T22:25:09Z)
• Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
  逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。 しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。 したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
  論文  参考訳（メタデータ） (2022-11-17T19:00:24Z)
• PARSRec: Explainable Personalized Attention-fused Recurrent Sequential Recommendation Using Session Partial Actions [0.5801044612920815]
  共通のパターンと個人の行動に依存したアーキテクチャを提案する。 Nielsen Consumer Panel データセットの実証結果は,提案手法が最大27.9%のパフォーマンス向上を達成したことを示唆している。
  論文  参考訳（メタデータ） (2022-09-16T12:07:43Z)
• 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)
• An Empirical analysis on Transparent Algorithmic Exploration in Recommender Systems [17.91522677924348]
  提案手法は, 従来のミックスイン手法と比較し, 従来の評価手法と比較する。 以上の結果から,ユーザからのフィードバックは,インターフェースによる探索のために選択された項目の方がはるかに多いことが示唆された。
  論文  参考訳（メタデータ） (2021-07-31T05:08:29Z)
• 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)
• A Survey on Neural Recommendation: From Collaborative Filtering to Content and Context Enriched Recommendation [70.69134448863483]
  レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。 近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
  論文  参考訳（メタデータ） (2021-04-27T08:03:52Z)
• 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。