論文の概要: Evolving Context-Aware Recommender Systems With Users in Mind
- arxiv url: http://arxiv.org/abs/2007.15409v1
- Date: Thu, 30 Jul 2020 12:03:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-05 13:50:59.869305
- Title: Evolving Context-Aware Recommender Systems With Users in Mind
- Title(参考訳): ユーザを意識したコンテキスト対応レコメンダシステムの開発
- Authors: Amit Livne, Eliad Shem Tov, Adir Solomon, Achiya Elyasaf, Bracha
Shapira, and Lior Rokach
- Abstract要約: コンテキスト対応レコメンデータシステム(CARS)は、ユーザコンテキストのセンシングと分析を適用して、パーソナライズされたサービスを提供する。
本稿では、文脈情報の低次元部分集合を選択し、それらをCARSに明示的に組み込むアプローチを提案する。
具体的には,遺伝的アルゴリズム(GA)に基づく新しい特徴選択アルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 17.817926536931022
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A context-aware recommender system (CARS) applies sensing and analysis of
user context to provide personalized services. The contextual information can
be driven from sensors in order to improve the accuracy of the recommendations.
Yet, generating accurate recommendations is not enough to constitute a useful
system from the users' perspective, since certain contextual information may
cause different issues, such as draining the user's battery, privacy issues,
and more. Adding high-dimensional contextual information may increase both the
dimensionality and sparsity of the model. Previous studies suggest reducing the
amount of contextual information by selecting the most suitable contextual
information using a domain knowledge. Another solution is compressing it into a
denser latent space, thus disrupting the ability to explain the recommendation
item to the user, and damaging users' trust. In this paper we present an
approach for selecting low-dimensional subsets of the contextual information
and incorporating them explicitly within CARS. Specifically, we present a novel
feature-selection algorithm, based on genetic algorithms (GA), that outperforms
SOTA dimensional-reduction CARS algorithms, improves the accuracy and the
explainability of the recommendations, and allows for controlling user aspects,
such as privacy and battery consumption. Furthermore, we exploit the top
subsets that are generated along the evolutionary process, by learning multiple
deep context-aware models and applying a stacking technique on them, thus
improving the accuracy while remaining at the explicit space. We evaluated our
approach on two high-dimensional context-aware datasets driven from
smartphones. An empirical analysis of our results validates that our proposed
approach outperforms SOTA CARS models while improving transparency and
explainability to the user.
- Abstract(参考訳): コンテキスト認識レコメンダシステム(cars)は、ユーザコンテキストのセンシングと分析を適用し、パーソナライズされたサービスを提供する。
コンテキスト情報は、推奨の精度を向上させるためにセンサーから駆動することができる。
しかし,ユーザのバッテリの排出やプライバシの問題など,特定のコンテキスト情報が異なる問題を引き起こす可能性があるため,正確なレコメンデーションの生成は,ユーザの観点から有用なシステムを構成するには不十分である。
高次元の文脈情報を加えることで、モデルの次元とスパース性が増す可能性がある。
従来の研究では、ドメイン知識を用いて最適な文脈情報を選択することにより、文脈情報の量を減らすことを提案する。
別の解決策は、それをより密度の高い潜在空間に圧縮することで、推奨項目をユーザに説明できなくなり、ユーザの信頼を損なう。
本稿では,文脈情報の低次元部分集合を選択し,それらをCARSに明示的に組み込む手法を提案する。
具体的には,遺伝的アルゴリズム(ga)に基づく新しい特徴選択アルゴリズムを提案する。soma次元推論カーアルゴリズムを上回り,レコメンデーションの精度と説明性を向上し,プライバシやバッテリ消費などのユーザ側面の制御を可能にする。
さらに,複数の深層コンテキスト認識モデルを学び,スタック技術を適用することで,進化過程に沿って生成される最上位部分集合を活用し,明示的な空間に留まりながら精度を向上させる。
スマートフォンから駆動される2つの高次元コンテキスト認識データセットに対するアプローチを評価した。
実験により,提案手法がSOTA CARSモデルより優れ,透明性とユーザ説明性が向上したことを確認した。
関連論文リスト
- Reformulating Sequential Recommendation: Learning Dynamic User Interest with Content-enriched Language Modeling [18.297332953450514]
本稿では、事前学習した言語モデルの意味理解機能を活用してパーソナライズされたレコメンデーションを生成するLANCERを提案する。
我々のアプローチは、言語モデルとレコメンデーションシステムの間のギャップを埋め、より人間的なレコメンデーションを生み出します。
論文 参考訳(メタデータ) (2023-09-19T08:54:47Z) - Exploring Large Language Model for Graph Data Understanding in Online
Job Recommendations [63.19448893196642]
本稿では,大規模言語モデルが提供するリッチな文脈情報と意味表現を利用して行動グラフを解析する新しいフレームワークを提案する。
この機能を利用することで、個々のユーザに対してパーソナライズされた、正確なジョブレコメンデーションが可能になる。
論文 参考訳(メタデータ) (2023-07-10T11:29:41Z) - 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) - AUGUST: an Automatic Generation Understudy for Synthesizing
Conversational Recommendation Datasets [56.052803235932686]
本稿では,大規模かつ高品質なレコメンデーションダイアログを生成する新しい自動データセット合成手法を提案する。
i)従来のレコメンデーションデータセットからの豊富なパーソナライズされたユーザプロファイル、(ii)知識グラフからの豊富な外部知識、(iii)人間対人間会話レコメンデーションデータセットに含まれる会話能力。
論文 参考訳(メタデータ) (2023-06-16T05:27:14Z) - Explainable Recommender with Geometric Information Bottleneck [25.703872435370585]
本稿では,ユーザ-イテム相互作用から学習した幾何学的事前学習を変分ネットワークに組み込むことを提案する。
個々のユーザとイテムペアからの遅延因子は、レコメンデーションと説明生成の両方に使用することができる。
3つの電子商取引データセットの実験結果から,我々のモデルは変分レコメンデータの解釈可能性を大幅に向上させることが示された。
論文 参考訳(メタデータ) (2023-05-09T10:38:36Z) - A Comparative Analysis of Bias Amplification in Graph Neural Network
Approaches for Recommender Systems [0.0]
バイアス増幅問題はこれらのアルゴリズムを用いて検討する必要がある。
本稿では,GNNに基づく異なるアルゴリズムのバイアスに対する振る舞いの文献レビューと分析を通じて,この問題を包括的に研究することを目的とする。
論文 参考訳(メタデータ) (2023-01-18T16:29:05Z) - Enabling AI-Generated Content (AIGC) Services in Wireless Edge Networks [68.00382171900975]
無線エッジネットワークでは、不正に生成されたコンテンツの送信はネットワークリソースを不要に消費する可能性がある。
我々は、AIGC-as-a-serviceの概念を示し、エッジネットワークにAをデプロイする際の課題について議論する。
最適なASP選択のための深層強化学習可能なアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-01-09T09:30:23Z) - Understanding or Manipulation: Rethinking Online Performance Gains of
Modern Recommender Systems [38.75457258877731]
本稿では,推薦アルゴリズムの操作度をベンチマークするフレームワークを提案する。
オンラインクリックスルー率が高いことは、必ずしもユーザーの初期嗜好をよりよく理解するという意味ではない。
我々は,制約付きユーザ嗜好操作による最適化問題として,将来のレコメンデーションアルゴリズムの研究を取り扱うべきであることを主張する。
論文 参考訳(メタデータ) (2022-10-11T17:56:55Z) - Meta-Wrapper: Differentiable Wrapping Operator for User Interest
Selection in CTR Prediction [97.99938802797377]
クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。
近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。
そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
論文 参考訳(メタデータ) (2022-06-28T03:28:15Z) - Recommending with Recommendations [1.1602089225841632]
レコメンデーションシステムは、しばしば予測を行う際に敏感なユーザー情報を引き出す。
既存のサービスからのレコメンデーションに基づいて、サービスのレコメンデーションエンジンを基盤にすることで、この障害に対処する方法を示します。
我々の設定では、ユーザの(潜在的に敏感な)情報は高次元の潜在空間に属します。
論文 参考訳(メタデータ) (2021-12-02T04:30:15Z) - 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。