論文の概要: Presentation of a Recommender System with Ensemble Learning and Graph
Embedding: A Case on MovieLens
- arxiv url: http://arxiv.org/abs/2008.01192v1
- Date: Wed, 15 Jul 2020 12:52:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 05:26:32.129950
- Title: Presentation of a Recommender System with Ensemble Learning and Graph
Embedding: A Case on MovieLens
- Title（参考訳）: アンサンブル学習とグラフ埋め込みを併用したレコメンダシステムのプレゼンテーション:MovieLensを事例として
- Authors: Saman Forouzandeh, Mehrdad Rostami, Kamal Berahmand
- Abstract要約: グループ分類とアンサンブル学習技術は,推薦システムにおける予測精度を高めるために用いられた。
The study was performed on the MovieLens datasets, and the obtained results showed the high efficiency of the present method。
- 参考スコア（独自算出の注目度）: 3.8848561367220276
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Information technology has spread widely, and extraordinarily large amounts
of data have been made accessible to users, which has made it challenging to
select data that are in accordance with user needs. For the resolution of the
above issue, recommender systems have emerged, which much help users go through
the process of decision-making and selecting relevant data. A recommender
system predicts users behavior to be capable of detecting their interests and
needs, and it often uses the classification technique for this purpose. It may
not be sufficiently accurate to employ individual classification, where not all
cases can be examined, which makes the method inappropriate to specific
problems. In this research, group classification and the ensemble learning
technique were used for increasing prediction accuracy in recommender systems.
Another issue that is raised here concerns user analysis. Given the large size
of the data and a large number of users, the process of user needs analysis and
prediction (using a graph in most cases, representing the relations between
users and their selected items) is complicated and cumbersome in recommender
systems. Graph embedding was also proposed for resolution of this issue, where
all or part of user behavior can be simulated through the generation of several
vectors, resolving the problem of user behavior analysis to a large extent
while maintaining high efficiency. In this research, individuals most similar
to the target user were classified using ensemble learning, fuzzy rules, and
the decision tree, and relevant recommendations were then made to each user
with a heterogeneous knowledge graph and embedding vectors. This study was
performed on the MovieLens datasets, and the obtained results indicated the
high efficiency of the presented method.
- Abstract（参考訳）: 情報技術は広く普及しており、非常に大量のデータがユーザからアクセス可能になっているため、ユーザのニーズに応じてデータを選択することが困難になっている。
上記の問題の解決のために、レコメンダシステムが登場し、ユーザーは意思決定と関連するデータの選択のプロセスを通して多くの手助けをする。
レコメンダシステムは、ユーザの行動が自分の関心やニーズを検知できると予測し、この目的で分類技術を使用することが多い。
個々の分類を用いるのに十分正確でない場合もあり、すべてのケースを検査できるわけではないため、特定の問題に不適当である。
本研究では,グループ分類とアンサンブル学習技術を用いて,推薦システムにおける予測精度を向上した。
ここで提起されるもうひとつの問題は、ユーザ分析に関するものだ。
データのサイズと多数のユーザの数を考えると、ユーザのプロセスは分析と予測(ほとんどの場合、ユーザと選択したアイテムの関係を表すグラフを使用する)を必要としており、レコメンデーションシステムでは複雑で面倒である。
グラフ埋め込みもこの問題の解決のために提案され、ユーザ行動の全てまたは一部が複数のベクトルの生成によってシミュレートされ、高い効率を維持しながらユーザ行動解析の問題を広範囲に解決する。
本研究では,対象ユーザと最もよく似た個人をアンサンブル学習,ファジィルール,決定木を用いて分類し,各ユーザに対してヘテロジニアスな知識グラフと埋め込みベクタを用いた適切な推薦を行った。
本研究はmovielensデータセット上で実施し,提案手法の高効率性を示した。
関連論文リスト
- Quantifying User Coherence: A Unified Framework for Cross-Domain Recommendation Analysis [69.37718774071793]
本稿では,レコメンデーションシステムを理解するための新しい情報理論手法を提案する。
9つのデータセットで7つのレコメンデーションアルゴリズムを評価し、測定値と標準的なパフォーマンス指標の関係を明らかにする。
論文 参考訳（メタデータ） (2024-10-03T13:02:07Z) - ECORS: An Ensembled Clustering Approach to Eradicate The Local And Global Outlier In Collaborative Filtering Recommender System [0.0]
外乱検知は レコメンデーターシステムにおける 重要な研究領域です
様々なクラスタリングアルゴリズムを用いて,これらの課題に対処する手法を提案する。
実験の結果,提案手法はリコメンデータシステムにおける異常検出の精度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） (2024-10-01T05:06:07Z) - The MovieLens Beliefs Dataset: Collecting Pre-Choice Data for Online Recommender Systems [0.0]
本稿では,未経験項目に対するユーザの信念を収集する手法を提案する。
提案手法はMovieLensプラットフォーム上で実装され,ユーザ評価,信念,監視されたレコメンデーションを組み合わせた豊富なデータセットが得られた。
論文 参考訳（メタデータ） (2024-05-17T19:06:06Z) - Everyone's Preference Changes Differently: Weighted Multi-Interest
Retrieval Model [18.109035867113217]
MIPモデル(Multi-Interest Preference)は、ユーザのシーケンシャルエンゲージメントをより効果的に利用することで、ユーザにとってマルチエンゲージメントを生み出すアプローチである。
本手法の有効性を実証するため,様々な産業規模のデータセットを用いて大規模な実験を行った。
論文 参考訳（メタデータ） (2022-07-14T04:29:54Z) - Knowledge-Enhanced Hierarchical Graph Transformer Network for
Multi-Behavior Recommendation [56.12499090935242]
本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。
KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。
KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2021-10-08T09:44:00Z) - Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。
本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。
最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
論文 参考訳（メタデータ） (2021-09-07T04:28:09Z) - Deep Learning feature selection to unhide demographic recommender
systems factors [63.732639864601914]
行列分解モデルは意味的知識を含まない因子を生成する。
DeepUnHideは、協調フィルタリングレコメンデータシステムにおいて、ユーザとアイテムファクタから、人口統計情報を抽出することができる。
論文 参考訳（メタデータ） (2020-06-17T17:36:48Z) - Large-scale Hybrid Approach for Predicting User Satisfaction with
Conversational Agents [28.668681892786264]
ユーザの満足度を測定することは難しい課題であり、大規模な会話エージェントシステムの開発において重要な要素である。
人間のアノテーションに基づくアプローチは簡単に制御できるが、スケールするのは難しい。
新たなアプローチとして,会話エージェントシステムに埋め込まれたフィードバック誘導システムを通じて,ユーザの直接的なフィードバックを収集する手法がある。
論文 参考訳（メタデータ） (2020-05-29T16:29:09Z) - Recommendation system using a deep learning and graph analysis approach [1.2183405753834562]
本稿では,行列係数化とグラフ解析に基づく新しい推薦手法を提案する。
さらに,ディープオートエンコーダを利用してユーザやアイテムの潜伏要因を初期化し,ディープ埋め込み手法によってユーザの潜伏要因をユーザ信頼グラフから収集する。
論文 参考訳（メタデータ） (2020-04-17T08:05:33Z) - Mining Implicit Entity Preference from User-Item Interaction Data for
Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。
我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。
利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
論文 参考訳（メタデータ） (2020-03-28T05:47:33Z) - MetaSelector: Meta-Learning for Recommendation with User-Level Adaptive
Model Selection [110.87712780017819]
推薦システムにおけるユーザレベルの適応モデル選択を容易にするメタラーニングフレームワークを提案する。
2つのパブリックデータセットと実世界のプロダクションデータセットで実験を行います。
論文 参考訳（メタデータ） (2020-01-22T16:05:01Z)
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。