論文の概要: A Systematic Review on Context-Aware Recommender Systems using Deep Learning and Embeddings

• arxiv url: http://arxiv.org/abs/2007.04782v1
• Date: Thu, 9 Jul 2020 13:23:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-12 05:10:13.316192
• Title: A Systematic Review on Context-Aware Recommender Systems using Deep Learning and Embeddings
• Title（参考訳）: 深層学習と埋め込みを用いた文脈認識型推薦システムに関する体系的レビュー
• Authors: Igor Andr\'e Pegoraro Santana, Marcos Aurelio Domingues
• Abstract要約: コンテキスト認識レコメンダシステム(Context-Aware Recommender Systems)が作成され、最先端の結果が得られた。 ディープラーニングと埋め込み技術は、コンテキスト認識レコメンダシステムを改善するために適用されています。
• 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: Recommender Systems are tools that improve how users find relevant information in web systems, so they do not face too much information. In order to generate better recommendations, the context of information should be used in the recommendation process. Context-Aware Recommender Systems were created, accomplishing state-of-the-art results and improving traditional recommender systems. There are many approaches to build recommender systems, and two of the most prominent advances in area have been the use of Embeddings to represent the data in the recommender system, and the use of Deep Learning architectures to generate the recommendations to the user. A systematic review adopts a formal and systematic method to perform a bibliographic review, and it is used to identify and evaluate all the research in certain area of study, by analyzing the relevant research published. A systematic review was conducted to understand how the Deep Learning and Embeddings techniques are being applied to improve Context-Aware Recommender Systems. We summarized the architectures that are used to create those and the domains that they are used.
• Abstract（参考訳）: Recommender Systemsは、ユーザがWebシステムで関連する情報を見つける方法を改善するツールである。 より良いレコメンデーションを生成するためには、レコメンデーションプロセスで情報コンテキストを使用する必要がある。 コンテキスト対応レコメンダシステムは、最先端の結果を達成し、従来のレコメンダシステムを改善する。 推奨システムを構築するための多くのアプローチがあり、最も顕著な進歩の1つは、レコメンデーションシステムでデータを表現するための埋め込みの使用と、ユーザにレコメンデーションを生成するためのディープラーニングアーキテクチャの使用である。 体系的なレビューは、書誌レビューを行うための形式的で体系的な方法を採用しており、関連する研究を分析して、特定の研究領域におけるすべての研究を特定し評価するために用いられる。 コンテキスト認識レコメンダシステムを改善するために、ディープラーニングと埋め込み技術がどのように適用されているかを理解するために、体系的なレビューが行われた。 私たちはそれらを作成するのに使用されるアーキテクチャとそれらが使われるドメインをまとめた。

関連論文リスト

• 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)
• 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)
• Impression-Aware Recommender Systems [57.38537491535016]
  新たなデータソースは、レコメンデーションシステムの品質を改善する新しい機会をもたらす。 研究者はインプレッションを使ってユーザーの好みを洗練させ、推奨システム研究の現在の制限を克服することができる。 本稿ではインプレッションを用いたレコメンデーションシステムに関する体系的な文献レビューを行う。
  論文  参考訳（メタデータ） (2023-08-15T16:16:02Z)
• 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 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)
• Optimized Recommender Systems with Deep Reinforcement Learning [0.0]
  本研究は,再現性のあるテストベッドをセットアップし,現実的な環境下での異なる技術アルゴリズムの状態を評価する手法について検討・開発する。 提案、文献レビュー、方法論、結果、コメントを含む。
  論文  参考訳（メタデータ） (2021-10-06T19:54:55Z)
• Recommender Systems for Configuration Knowledge Engineering [55.41644538483948]
  レコメンダーシステムがナレッジベースの開発とメンテナンスプロセスをどのようにサポートできるかを示します。 ユーザ中心の構成知識組織の重要性を示す実証研究の成果を報告する。
  論文  参考訳（メタデータ） (2021-02-16T12:29:54Z)
• KnowledgeCheckR: Intelligent Techniques for Counteracting Forgetting [52.623349754076024]
  KnowledgeCheckRに統合された推奨アプローチの概要を提供します。 その例としては,将来的に繰り返される学習内容の識別を支援するユーティリティベースのレコメンデーション,セッションベースのレコメンデーションを実装するための協調フィルタリングアプローチ,インテリジェントな質問応答を支援するコンテントベースのレコメンデーションなどがある。
  論文  参考訳（メタデータ） (2021-02-15T20:06:28Z)
• Recommendation system using a deep learning and graph analysis approach [1.2183405753834562]
  本稿では,行列係数化とグラフ解析に基づく新しい推薦手法を提案する。 さらに,ディープオートエンコーダを利用してユーザやアイテムの潜伏要因を初期化し,ディープ埋め込み手法によってユーザの潜伏要因をユーザ信頼グラフから収集する。
  論文  参考訳（メタデータ） (2020-04-17T08:05:33Z)
• Survey for Trust-aware Recommender Systems: A Deep Learning Perspective [48.2733163413522]
  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。
  論文  参考訳（メタデータ） (2020-04-08T02:11:55Z)
• 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。