論文の概要: Recommender Systems for the Internet of Things: A Survey
- arxiv url: http://arxiv.org/abs/2007.06758v1
- Date: Tue, 14 Jul 2020 01:24:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 14:17:45.233617
- Title: Recommender Systems for the Internet of Things: A Survey
- Title(参考訳): モノのインターネットのためのレコメンダシステム:調査
- Authors: May Altulyan, Lina Yao, Xianzhi Wang, Chaoran Huang, Salil S Kanhere,
Quan Z Sheng
- Abstract要約: 勧告は、モノのインターネット(Internet of Things)の利益を開発し、促進する上で重要な段階である。
従来のレコメンデータシステムは、成長を続ける、動的で、異質なIoTデータを活用することができません。
- 参考スコア(独自算出の注目度): 53.865011795953706
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recommendation represents a vital stage in developing and promoting the
benefits of the Internet of Things (IoT). Traditional recommender systems fail
to exploit ever-growing, dynamic, and heterogeneous IoT data. This paper
presents a comprehensive review of the state-of-the-art recommender systems, as
well as related techniques and application in the vibrant field of IoT. We
discuss several limitations of applying recommendation systems to IoT and
propose a reference framework for comparing existing studies to guide future
research and practices.
- Abstract(参考訳): 勧告はIoT(Internet of Things)のメリットの開発と促進において重要な段階である。
従来のレコメンデータシステムは、成長を続ける、動的で、異質なIoTデータを利用できない。
本稿では,最先端のレコメンダシステムに関する総合的なレビューと,iotの活気ある分野における関連技術とアプリケーションについて述べる。
本稿では,iotへのレコメンデーションシステムの適用に関するいくつかの制限について議論し,既存の研究を比較するための参照フレームワークを提案する。
関連論文リスト
- All Roads Lead to Rome: Unveiling the Trajectory of Recommender Systems Across the LLM Era [63.649070507815715]
我々は、リコメンデータシステムをより広い視野に統合し、将来の研究のためのより包括的なソリューションの道を開くことを目指しています。
我々は、リストワイズレコメンデーションと会話レコメンデーションを通じて、現代のレコメンデーションシステムの2つの進化経路を特定する。
本稿では,ユーザの獲得コストを削減しつつ,推薦情報の有効性を高めることを指摘する。
論文 参考訳(メタデータ) (2024-07-14T05:02:21Z) - 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 in the Era of Large Language Models (LLMs) [62.0129013439038]
大規模言語モデル(LLM)は自然言語処理(NLP)と人工知能(AI)の分野に革命をもたらした。
我々は, プレトレーニング, ファインチューニング, プロンプティングなどの様々な側面から, LLM を利用したレコメンデータシステムの総合的なレビューを行う。
論文 参考訳(メタデータ) (2023-07-05T06:03:40Z) - Recent Developments in Recommender Systems: A Survey [34.810859384592355]
この研究は、パーソナライズされたシステムやグループレコメンデーションシステムを含む、レコメンデーションシステムの主要な分類を包括的にまとめることから始まる。
この調査は、レコメンデータシステムにおける堅牢性、データバイアス、公平性の問題を分析します。
この研究は、リコメンデータシステムの開発における最新のトレンドについての洞察を提供し、この分野における今後の研究の方向性を浮き彫りにしている。
論文 参考訳(メタデータ) (2023-06-22T05:51:49Z) - 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 Survey of Recommender System Techniques and the Ecommerce Domain [0.0]
本稿では,e-Commerce,e-tourism,e-resources,e- Government,e-learning,e-libraryにおけるレコメンダシステムのさまざまな技術と展開についてレビューする。
論文 参考訳(メタデータ) (2022-08-15T18:30:22Z) - A Survey of Deep Reinforcement Learning in Recommender Systems: A
Systematic Review and Future Directions [40.73124164815037]
本調査は,レコメンデーションシステムにおける近年の深層強化学習の動向を,タイムリーかつ包括的に概観することを目的としている。
本稿では,現在のDRLに基づくレコメンデータシステムの分類と既存手法の概要について述べる。
論文 参考訳(メタデータ) (2021-09-08T10:44:55Z) - 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 Systematic Review on Context-Aware Recommender Systems using Deep
Learning and Embeddings [0.0]
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。
論文 参考訳(メタデータ) (2020-07-09T13:23:40Z) - 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。