論文の概要: Reciprocal Recommender Systems: Analysis of State-of-Art Literature, Challenges and Opportunities towards Social Recommendation

• arxiv url: http://arxiv.org/abs/2007.16120v3
• Date: Wed, 13 Jan 2021 17:48:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 14:51:17.569941
• Title: Reciprocal Recommender Systems: Analysis of State-of-Art Literature, Challenges and Opportunities towards Social Recommendation
• Title（参考訳）: 相互レコメンデーションシステム--社会レコメンデーションに向けた最先端文学・課題・機会の分析
• Authors: Ivan Palomares, Carlos Porcel, Luiz Pizzato, Ido Guy, Enrique Herrera-Viedma
• Abstract要約: Reciprocal Recommender System (RRS)は、データ駆動型パーソナライズされた意思決定支援ツールである。 RRSは、ユーザの好み、ニーズ、行動に基づいて、ユーザ関連のデータを処理し、フィルタリングし、推奨する。 本稿では,RSのアルゴリズム,融合プロセス,基礎的特徴に着目し,現状のRS研究を要約する。
• 参考スコア（独自算出の注目度）: 14.944946561487535
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: There exist situations of decision-making under information overload in the Internet, where people have an overwhelming number of available options to choose from, e.g. products to buy in an e-commerce site, or restaurants to visit in a large city. Recommender systems arose as a data-driven personalized decision support tool to assist users in these situations: they are able to process user-related data, filtering and recommending items based on the users preferences, needs and/or behaviour. Unlike most conventional recommender approaches where items are inanimate entities recommended to the users and success is solely determined upon the end users reaction to the recommendation(s) received, in a Reciprocal Recommender System (RRS) users become the item being recommended to other users. Hence, both the end user and the user being recommended should accept the 'matching' recommendation to yield a successful RRS performance. The operation of an RRS entails not only predicting accurate preference estimates upon user interaction data as classical recommenders do, but also calculating mutual compatibility between (pairs of) users, typically by applying fusion processes on unilateral user-to-user preference information. This paper presents a snapshot-style analysis of the extant literature that summarizes the state-of-the-art RRS research to date, focusing on the algorithms, fusion processes and fundamental characteristics of RRS, both inherited from conventional user-to-item recommendation models and those inherent to this emerging family of approaches. Representative RRS models are likewise highlighted. Following this, we discuss the challenges and opportunities for future research on RRSs, with special focus on (i) fusion strategies to account for reciprocity and (ii) emerging application domains related to social recommendation.
• Abstract（参考訳）: インターネットには情報過剰による意思決定の状況があり、eコマースサイトで購入する製品や大都市で訪れるレストランなど、選択可能な選択肢が圧倒的に多い。 データ駆動のパーソナライズされた意思決定支援ツールとして、ユーザに関連するデータを処理したり、ユーザの好みやニーズ、行動に基づいてアイテムをフィルタリングしたり、推奨したりすることが可能になる。 従来のリコメンデーターアプローチでは、アイテムがユーザに対して推奨され、成功は、受信されたリコメンデーションに対するエンドユーザー反応によってのみ決定されるが、Reciprocal Recommender System (RRS) ユーザーは、他のユーザに対して推奨されるアイテムとなる。 したがって、エンドユーザと推奨されるユーザの両方が"マッチング"レコメンデーションを受け入れて、RSパフォーマンスを成功させる必要がある。 rrsの操作は、従来のレコメンデーターのように、ユーザインタラクションデータに対する正確な選好推定を予測するだけでなく、通常、一方的なユーザ対ユーザ選好情報に融合プロセスを適用することによって、ユーザ間の相互互換性を計算することを伴う。 本稿では,従来のユーザ・イテムレコメンデーションモデルから受け継いだアルゴリズム,融合プロセス,RSの基本的特徴に着目し,現在まで最先端のRSS研究を要約したスナップショットスタイルの分析を行った。 代表的なRSモデルも同様に強調される。 次に,今後のrss研究の課題と機会について,特にその課題について論じる。 (i)相互関係を考慮した核融合戦略 (ii)ソーシャルレコメンデーションに関連する新興アプリケーションドメイン。

関連論文リスト

• Dissertation: On the Theoretical Foundation of Model Comparison and Evaluation for Recommender System [4.76281731053599]
  レコメンダシステムは、ユーザの履歴データを利用して顧客の興味を推測し、パーソナライズされたレコメンデーションを提供する。 協調フィルタリング(Collaborative filtering)は、複数のユーザのレーティングを使用して、欠落したレーティングを予測するレコメンデーションアルゴリズムの1つである。 Recommender システムはより複雑になり、コンテンツベースの属性やユーザインタラクション、コンテキスト情報などの補助的なデータを組み込むことができる。
  論文  参考訳（メタデータ） (2024-11-04T06:31:52Z)
• CSRec: Rethinking Sequential Recommendation from A Causal Perspective [25.69446083970207]
  シーケンシャルなレコメンデータシステム(RecSys)の本質は、ユーザが意思決定を行う方法を理解することです。 我々は、CSRec(Causal Sequential Recommendation)と呼ばれる、シーケンシャルレコメンデーションの新しい定式化を提案する。 CSRecは、シーケンシャルなコンテキスト内で推奨項目が受け入れられる確率を予測し、現在の決定がどのようになされるかをバックトラックすることを目的としている。
  論文  参考訳（メタデータ） (2024-08-23T23:19:14Z)
• When Search Meets Recommendation: Learning Disentangled Search Representation for Recommendation [56.98380787425388]
  シークエンシャルレコメンデーション(SESRec)のための検索強化フレームワークを提案する。 SESRec は、S&R の振る舞いにおいて類似および異種表現を分離する。 産業用と公共用両方のデータセットの実験では、SESRecが最先端のモデルより一貫して優れていることが示されている。
  論文  参考訳（メタデータ） (2023-05-18T09:04:50Z)
• 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)
• Learning Complex Users' Preferences for Recommender Systems [0.5076419064097734]
  この論文は一般的なRSの性能向上に焦点を当てている。 既存の一般的なRSのほとんどは、類似したユーザーを検出するために、一般的なアイテムのユーザーの評価パターンを利用する傾向にある。 本研究では,その性格特性の類似性に基づいて,類似したユーザを識別するパーソナリティベースのRSを提案する。
  論文  参考訳（メタデータ） (2021-07-04T03:25:15Z)
• 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)
• Learning to Ask Appropriate Questions in Conversational Recommendation [49.31942688227828]
  対話型レコメンデーションのための新しいフレームワークであるKnowledge-Based Question Generation System (KBQG)を提案する。 KBQGは、構造化知識グラフから最も関連性の高い関係を識別することにより、ユーザの好みをよりきめ細かな粒度でモデル化する。 最終的には、正確な推奨は会話の順番を少なくして生成できる。
  論文  参考訳（メタデータ） (2021-05-11T03:58:10Z)
• Reward Constrained Interactive Recommendation with Natural Language Feedback [158.8095688415973]
  制約強化強化学習(RL)フレームワークを提案する。 具体的には,ユーザの過去の嗜好に反するレコメンデーションを検出するために,識別器を利用する。 提案するフレームワークは汎用的であり,制約付きテキスト生成のタスクにさらに拡張されている。
  論文  参考訳（メタデータ） (2020-05-04T16:23:34Z)
• A Survey on Conversational Recommender Systems [11.319431345375751]
  会話レコメンデータシステム(CRS)は異なるアプローチを採用し、よりリッチなインタラクションをサポートする。 CRSに対する関心は、ここ数年で大幅に増加した。 この開発は主に自然言語処理の分野における著しい進歩によるものである。
  論文  参考訳（メタデータ） (2020-04-01T18:00:47Z)
• A Bayesian Approach to Conversational Recommendation Systems [60.12942570608859]
  ベイズ的アプローチに基づく会話推薦システムを提案する。 エンターテイナーを予約するオンラインプラットフォームであるemphstagend.comへのこのアプローチの適用に基づくケーススタディについて論じる。
  論文  参考訳（メタデータ） (2020-02-12T15:59:31Z)
• Sequential Recommender Systems: Challenges, Progress and Prospects [50.12218578518894]
  シーケンシャルレコメンダシステム(SRS)は、シーケンシャルなユーザ行動、ユーザとアイテム間の相互作用、ユーザの好みとアイテムの人気の時間的変化を理解し、モデル化しようとする。 まず, SRSの特徴を概説し, 研究領域における課題をまとめ, 分類し, そして, 最新の研究成果と代表的研究成果から, 対応する研究の進展を概説する。
  論文  参考訳（メタデータ） (2019-12-28T05:12:28Z)

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。