論文の概要: Do recommender systems function in the health domain: a system review
- arxiv url: http://arxiv.org/abs/2007.13058v1
- Date: Sun, 26 Jul 2020 04:58:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-06 19:45:35.147997
- Title: Do recommender systems function in the health domain: a system review
- Title（参考訳）: 健康領域におけるレコメンドラーシステムの役割--システムレビュー
- Authors: Jia Su, Yi Guan, Yuge Li, Weile Chen, He Lv, Yageng Yan
- Abstract要約: 我々は、関心、方法、評価、今後の課題、トレンド問題を含む健康推奨システムの側面をレビューする。
1) 健康レコメンデーションシステムには、食事レコメンデーションのような、より控えめなレコメンデーションに焦点を合わせるための、独自の健康上の問題がある。
このレビューは、ドメイン研究者の助けとなり、ヘルスレコメンデーションシステムの次のステップに進むだろうと考えられている。
- 参考スコア（独自算出の注目度）: 2.356961266962294
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recommender systems have fulfilled an important role in everyday life.
Recommendations such as news by Google, videos by Netflix, goods by e-commerce
providers, etc. have heavily changed everyones lifestyle. Health domains
contain similar decision-making problems such as what to eat, how to exercise,
and what is the proper medicine for a patient. Recently, studies focused on
recommender systems to solve health problems have attracted attention. In this
paper, we review aspects of health recommender systems including interests,
methods, evaluation, future challenges and trend issues. We find that 1) health
recommender systems have their own health concern limitations that cause them
to focus on less-risky recommendations such as diet recommendation; 2)
traditional recommender methods such as content-based and collaborative
filtering methods can hardly handle health constraints, but knowledge-based
methods function more than ever; 3) evaluating a health recommendation is more
complicated than evaluating a commercial one because multiple dimensions in
addition to accuracy should be considered. Recommender systems can function
well in the health domain after the solution of several key problems. Our work
is a systematic review of health recommender system studies, we show current
conditions and future directions. It is believed that this review will help
domain researchers and promote health recommender systems to the next step.
- Abstract（参考訳）: レコメンダシステムは日常生活において重要な役割を担ってきた。
Googleによるニュース、Netflixによるビデオ、eコマースプロバイダーによる商品などの勧告は、全員のライフスタイルを大きく変えた。
健康領域には、食べるもの、運動する方法、患者にとって適切な薬となるものなど、同様の意思決定の問題が含まれている。
近年,健康問題を解決するレコメンダシステムに関する研究が注目されている。
本稿では,健康レコメンダシステムの興味,方法,評価,今後の課題,トレンド問題などについて概説する。
私たちはそれを見つけ
1) 健康レコメンデーションシステムには,食事レコメンデーションなどのリスキーなレコメンデーションに重点を置くための,独自の健康上の問題がある。
2) コンテンツベースや協調フィルタリングといった従来の推奨手法は、健康上の制約をほとんど扱えないが、知識ベースの手法はこれまで以上に機能する。
3) 健康評価は, 精度に加えて複数の次元を考慮すべきであるため, 商業評価よりも複雑である。
推薦システムは、いくつかの重要な問題の解決後、健康領域でうまく機能する。
我々の研究は、健康推奨システム研究の体系的なレビューであり、現状と今後の方向性を示す。
このレビューは、ドメイン研究者の助けとなり、ヘルスレコメンデーションシステムの次のステップに進むだろうと考えられている。
関連論文リスト
- A Food Recommender System in Academic Environments Based on Machine
Learning Models [3.42658286826597]
Decision Tree, k-Nearest Neighbors (kNN), AdaBoost, Baggingなどの機械学習モデルについて, 食品レコメンデーションシステムの分野で検討した。
AdaBoostモデルは73.70%の精度で最高性能である。
論文 参考訳（メタデータ） (2023-06-26T11:43:37Z) - 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) - Improving Recommendation System Serendipity Through Lexicase Selection [53.57498970940369]
本稿では,レコメンデーションシステムにおけるエコーチャンバーとホモフィリーの存在を測定するための新しいセレンディピティー指標を提案する。
そこで我々は,レキシケース選択と呼ばれる親選択アルゴリズムを採用することにより,よく知られたレコメンデーション手法の多様性保存性の向上を試みる。
以上の結果から,レキシケースの選択とランキングの混合は,パーソナライゼーション,カバレッジ,セレンディピティー・ベンチマークにおいて,純粋にランク付けされている。
論文 参考訳（メタデータ） (2023-05-18T15:37:38Z) - 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) - Real-Time Learning from An Expert in Deep Recommendation Systems with
Marginal Distance Probability Distribution [1.3535770763481902]
我々は,その履歴,プロファイル,および類似のユーザに基づいて,日々の運動活動を支援するレコメンデーションシステムを開発した。
開発したレコメンデーションシステムは、ユーザの注目と時間的注意機構を備えたディープリカレントニューラルネットワークを使用する。
本稿では,リアルタイム・エキスパート・ザ・ループ型能動的学習手法を提案する。
論文 参考訳（メタデータ） (2021-10-12T19:20:18Z) - Investigating Health-Aware Smart-Nudging with Machine Learning to Help
People Pursue Healthier Eating-Habits [12.07862191291072]
本稿では,より健康的なレシピを選択するための3つの新しいヌード技術であるWHO-BubbleSlider,FSA-ColorCoading,DRCI-MLCPを提案する。
その結果、食品の意思決定プロセスの間、適切な健康対策により、ユーザーはより健康的なレシピをクリックし、閲覧し、選択しやすくなった。
論文 参考訳（メタデータ） (2021-10-05T10:56:02Z) - FEBR: Expert-Based Recommendation Framework for beneficial and
personalized content [77.86290991564829]
推奨コンテンツの質を評価するための見習い学習フレームワークであるFEBR(Expert-Based Recommendation Framework)を提案する。
このフレームワークは、推奨評価環境において専門家(信頼できると仮定される)の実証された軌跡を利用して、未知のユーティリティ機能を回復する。
ユーザ関心シミュレーション環境(RecSim)によるソリューションの性能評価を行う。
論文 参考訳（メタデータ） (2021-07-17T18:21:31Z) - 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) - Spoiled for Choice? Personalized Recommendation for Healthcare
Decisions: A Multi-Armed Bandit Approach [1.6058099298620423]
本稿では,医療介入の選択を支援するレコメンデーションフレームワークを提案する。
ユーザの健康行動が極めてダイナミックで多様なものであることを考慮し,マルチアーム・バンディット(MAB)によるレコメンデーションフレームワークを提案する。
そこで我々は、MABを医療の文脈に適応させるために、2つの革新的なモデル要素を顕著な健康理論に基づいて合成する。
論文 参考訳（メタデータ） (2020-09-13T22:55:59Z) - 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。