論文の概要: Exploring the use of Time-Dependent Cross-Network Information for Personalized Recommendations

• arxiv url: http://arxiv.org/abs/2008.10866v1
• Date: Tue, 25 Aug 2020 07:52:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 03:26:22.908150
• Title: Exploring the use of Time-Dependent Cross-Network Information for Personalized Recommendations
• Title（参考訳）: パーソナライズドレコメンデーションにおける時間依存型クロスネットワーク情報の利用の検討
• Authors: Dilruk Perera and Roger Zimmermann
• Abstract要約: 本稿では,ネットワーク間時間を考慮した新しいレコメンデーションソリューションを提案する。 このソリューションは、複数のソースネットワークからユーザの好みを集約することで、ターゲットネットワークの履歴的ユーザモデルを学ぶ。 マルチタイム・アウェアネスとクロスネットワーク・ベースラインを用いた実験により,提案手法は精度,ノベルティ,多様性の面で優れた性能を発揮することが示された。
• 参考スコア（独自算出の注目度）: 33.17802459749589
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The overwhelming volume and complexity of information in online applications make recommendation essential for users to find information of interest. However, two major limitations that coexist in real world applications (1) incomplete user profiles, and (2) the dynamic nature of user preferences continue to degrade recommender quality in aspects such as timeliness, accuracy, diversity and novelty. To address both the above limitations in a single solution, we propose a novel cross-network time aware recommender solution. The solution first learns historical user models in the target network by aggregating user preferences from multiple source networks. Second, user level time aware latent factors are learnt to develop current user models from the historical models and conduct timely recommendations. We illustrate our solution by using auxiliary information from the Twitter source network to improve recommendations for the YouTube target network. Experiments conducted using multiple time aware and cross-network baselines under different time granularities show that the proposed solution achieves superior performance in terms of accuracy, novelty and diversity.
• Abstract（参考訳）: オンラインアプリケーションにおける情報の圧倒的な量と複雑さは、ユーザが興味を持つ情報を見つけるために不可欠である。 しかし,(1)不完全なユーザプロファイル,(2)ユーザの嗜好の動的な性質は,タイムライン,精度,多様性,ノベルティといった面において推奨品質を低下させ続けている。 上記の2つの制限を1つのソリューションで解決するために,新たなネットワーク間時間対応レコメンダソリューションを提案する。 このソリューションはまず、複数のソースネットワークからユーザの好みを集約することで、ターゲットネットワークの履歴的ユーザモデルを学習する。 第2に、ユーザレベルの潜在要因を認識して、過去のモデルから現在のユーザモデルを開発し、タイムリーなレコメンデーションを行う。 提案手法は,Twitterのソースネットワークからの補助情報を用いて,YouTubeターゲットネットワークのレコメンデーションを改善する。 異なる時間粒度下での複数時間認識およびクロスネットワークベースラインを用いた実験により,提案手法は精度,ノベルティ,多様性の点で優れた性能が得られることを示した。

関連論文リスト

• Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
  逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。 しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。 したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
  論文  参考訳（メタデータ） (2022-11-17T19:00:24Z)
• Diverse Preference Augmentation with Multiple Domains for Cold-start Recommendations [92.47380209981348]
  メタラーニングをベースとした多元的ドメインを用いた多元的推論拡張フレームワークを提案する。 我々は、疎結合の場合の過度な適合を扱うために、新しい関心領域において多様な評価を生成する。 これらの評価は、選好メタラーナーを学ぶためのメタトレーニング手順に導入され、優れた一般化能力が得られる。
  論文  参考訳（メタデータ） (2022-04-01T10:10:50Z)
• Incremental Learning for Personalized Recommender Systems [8.020546404087922]
  トレーニング効率とモデル品質の両方を提供するために,インクリメンタルな学習ソリューションを提案する。 このソリューションはLinkedInにデプロイされ、産業規模のレコメンデーションシステムに直接適用される。
  論文  参考訳（メタデータ） (2021-08-13T04:21:21Z)
• Dual Metric Learning for Effective and Efficient Cross-Domain Recommendations [85.6250759280292]
  クロスドメインレコメンダーシステムは、消費者が異なるアプリケーションで有用なアイテムを識別するのを助けるためにますます価値があります。 既存のクロスドメインモデルは、通常、多くのオーバーラップユーザーを必要とするため、いくつかのアプリケーションでは取得が困難である。 本稿では,2つのドメイン間で情報を反復的に伝達する二元学習に基づく新しいクロスドメインレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2021-04-17T09:18:59Z)
• Towards Comprehensive Recommender Systems: Time-Aware UnifiedcRecommendations Based on Listwise Ranking of Implicit Cross-Network Data [33.17802459749589]
  我々は,コールドスタートとデータ空間の問題を軽減するために,新しい深層学習に基づく統合型クロスネットワークソリューションを提案する。 提案手法は精度,ノベルティ,多様性の点で優れていることを示す。 人気の高いMovieLensデータセットを用いて行った実験から,提案手法が既存の最先端ランキング技術より優れていることが示唆された。
  論文  参考訳（メタデータ） (2020-08-25T08:08:03Z)
• LSTM Networks for Online Cross-Network Recommendations [33.17802459749589]
  クロスネットワークレコメンデータシステムは、複数のソースネットワークからの補助情報を使用して、総合的なユーザプロファイルを作成し、ターゲットネットワークにおけるレコメンデーションを改善する。 既存のクロスネットワークソリューションには2つの大きな制限があり、全体的なレコメンデータ性能が低下している。 本稿では,これらの問題を緩和するために,LSTM(Long-Term Memory)ネットワークを用いたオンラインソリューションを提案する。
  論文  参考訳（メタデータ） (2020-08-25T07:10:24Z)
• CnGAN: Generative Adversarial Networks for Cross-network user preference generation for non-overlapped users [33.17802459749589]
  クロスネットワークレコメンデータソリューションの大きな欠点は、ネットワーク間で重複するユーザに対してのみ適用可能であることだ。 本稿では,新しいマルチタスク学習型エンコーダGAN-RecommenderアーキテクチャであるCnGANを提案する。 その結果、ユーザの好みは、Siameseネットワークベースのニューラルレコメンデータアーキテクチャで使用される。
  論文  参考訳（メタデータ） (2020-08-25T06:47:44Z)
• MRIF: Multi-resolution Interest Fusion for Recommendation [0.0]
  本稿では,ユーザの利害関係を考慮に入れた多分解能利害融合モデル(MRIF)を提案する。 提案モデルでは,ユーザの興味の動的変化を異なる時間範囲で捉えることができ,マルチ解像度のユーザ関心を組み合わせて予測を行う効果的な方法を提供する。
  論文  参考訳（メタデータ） (2020-07-08T02:32:15Z)
• Sequential Recommender via Time-aware Attentive Memory Network [67.26862011527986]
  本稿では,注意機構と繰り返し単位を改善するための時間ゲーティング手法を提案する。 また,長期と短期の嗜好を統合するマルチホップ・タイムアウェア・アテンテーティブ・メモリ・ネットワークを提案する。 提案手法は,候補探索タスクに対してスケーラブルであり,ドット積に基づくTop-Kレコメンデーションのための潜在因数分解の非線形一般化とみなすことができる。
  論文  参考訳（メタデータ） (2020-05-18T11:29:38Z)
• Unsupervised Model Personalization while Preserving Privacy and Scalability: An Open Problem [55.21502268698577]
  本研究では,非教師なしモデルパーソナライゼーションの課題について検討する。 この問題を探求するための新しいDual User-Adaptation Framework(DUA)を提供する。 このフレームワークは、サーバ上のモデルパーソナライズとユーザデバイス上のローカルデータ正規化に柔軟にユーザ適応を分散させる。
  論文  参考訳（メタデータ） (2020-03-30T09:35:12Z)

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。