論文の概要: Latent Unexpected Recommendations

• arxiv url: http://arxiv.org/abs/2007.13280v1
• Date: Mon, 27 Jul 2020 02:39:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-06 09:12:51.294042
• Title: Latent Unexpected Recommendations
• Title（参考訳）: 潜在不明勧告
• Authors: Pan Li and Alexander Tuzhilin
• Abstract要約: ユーザとアイテムの埋め込みの潜伏した空間における予測性をモデル化し、新しいレコメンデーションと歴史的購入の間の隠れた複雑な関係を捉えることを提案する。 さらに,ハイブリッドユーティリティ機能の構築と,提案モデルに基づく予期せぬ推薦を行うための新しい潜在クロージャ(LC)手法を開発した。
• 参考スコア（独自算出の注目度）: 89.2011481379093
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unexpected recommender system constitutes an important tool to tackle the problem of filter bubbles and user boredom, which aims at providing unexpected and satisfying recommendations to target users at the same time. Previous unexpected recommendation methods only focus on the straightforward relations between current recommendations and user expectations by modeling unexpectedness in the feature space, thus resulting in the loss of accuracy measures in order to improve unexpectedness performance. Contrast to these prior models, we propose to model unexpectedness in the latent space of user and item embeddings, which allows to capture hidden and complex relations between new recommendations and historic purchases. In addition, we develop a novel Latent Closure (LC) method to construct hybrid utility function and provide unexpected recommendations based on the proposed model. Extensive experiments on three real-world datasets illustrate superiority of our proposed approach over the state-of-the-art unexpected recommendation models, which leads to significant increase in unexpectedness measure without sacrificing any accuracy metric under all experimental settings in this paper.
• Abstract（参考訳）: 望ましくないレコメンデーションシステムは,フィルタバブルとユーザ退屈の問題に対処するための重要なツールであり,同時にユーザに対して予期せぬ,満足のいくレコメンデーションを提供することを目的としている。 従来の予期せぬ推奨方法は、機能空間における予期せぬ動作をモデル化することで、現在のレコメンデーションとユーザの期待値との直接的な関係にのみ焦点をあてる。 従来のモデルとは対照的に、ユーザとアイテムの埋め込みの潜在空間における予期せぬ可能性をモデル化し、新しいレコメンデーションと歴史的購入の間の隠れた複雑な関係を捉えることを提案する。 さらに,ハイブリッドユーティリティ関数を構築するための新しい潜在クロージャ(lc)手法を開発し,提案モデルに基づく予期せぬレコメンデーションを提供する。 3つの実世界のデータセットに対する大規模な実験は、最先端の予期せぬレコメンデーションモデルよりも提案手法の方が優れていることを示している。

関連論文リスト

• Learning Recommender Systems with Soft Target: A Decoupled Perspective [49.83787742587449]
  そこで本研究では,ソフトラベルを活用することで,目的を2つの側面として捉えるために,分離されたソフトラベル最適化フレームワークを提案する。 本稿では,ラベル伝搬アルゴリズムをモデル化したソフトラベル生成アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-09T04:20:15Z)
• Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
  我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。 我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
  論文  参考訳（メタデータ） (2023-04-13T17:56:08Z)
• Generative Slate Recommendation with Reinforcement Learning [49.75985313698214]
  強化学習アルゴリズムは、レコメンデータシステムのユーザエンゲージメントを最適化するために使用することができる。 しかし、RLアプローチはスレートレコメンデーションシナリオでは難解である。 この設定では、アクションはアイテムの組み合わせを含むことができるスレートに対応する。 本研究では,変分オートエンコーダによって学習された連続低次元ラテント空間におけるスレートの符号化を提案する。 我々は、(i)以前の作業で要求される仮定を緩和し、(ii)完全なスレートをモデル化することで、アクション選択の品質を向上させることができる。
  論文  参考訳（メタデータ） (2023-01-20T15:28:09Z)
• Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
  本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。 AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。 誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:32:51Z)
• CausPref: Causal Preference Learning for Out-of-Distribution Recommendation [36.22965012642248]
  現在のレコメンデータシステムは、現実的なシナリオにおけるユーザやアイテムの配布シフトに対して、依然として脆弱である。 本稿では,推奨特化DAG学習者を因果選好に基づく推薦フレームワークCausPrefに組み込むことを提案する。 当社のアプローチは、アウト・オブ・ディストリビューション・セッティングのタイプにおいて、ベンチマークモデルを大幅に上回っている。
  論文  参考訳（メタデータ） (2022-02-08T16:42:03Z)
• 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)
• Convolutional Gaussian Embeddings for Personalized Recommendation with Uncertainty [17.258674767363345]
  既存の埋め込みベースのレコメンデーションモデルは、低次元空間における単一の固定点に対応する埋め込みを使用する。 本稿では,不確実な嗜好に適応することが証明されたガウス埋め込みを用いた統合された深層推薦フレームワークを提案する。 本フレームワークでは,モンテカルロサンプリングと畳み込みニューラルネットワークを用いて,対象ユーザと候補項目の相関関係を計算する。
  論文  参考訳（メタデータ） (2020-06-19T02:10:38Z)

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。