論文の概要: Towards Comprehensive Recommender Systems: Time-Aware UnifiedcRecommendations Based on Listwise Ranking of Implicit Cross-Network Data

• arxiv url: http://arxiv.org/abs/2008.13516v1
• Date: Tue, 25 Aug 2020 08:08:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 02:49:46.427827
• Title: Towards Comprehensive Recommender Systems: Time-Aware UnifiedcRecommendations Based on Listwise Ranking of Implicit Cross-Network Data
• Title（参考訳）: 包括的レコメンダシステムに向けて:暗黙のクロスネットワークデータのリストワイズランキングに基づく時間対応統一型コンメンデーション
• Authors: Dilruk Perera and Roger Zimmermann
• Abstract要約: 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。
• 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 abundance of information in web applications make recommendation essential for users as well as applications. Despite the effectiveness of existing recommender systems, we find two major limitations that reduce their overall performance: (1) inability to provide timely recommendations for both new and existing users by considering the dynamic nature of user preferences, and (2) not fully optimized for the ranking task when using implicit feedback. Therefore, we propose a novel deep learning based unified cross-network solution to mitigate cold-start and data sparsity issues and provide timely recommendations for new and existing users.Furthermore, we consider the ranking problem under implicit feedback as a classification task, and propose a generic personalized listwise optimization criterion for implicit data to effectively rank a list of items. We illustrate our cross-network model using Twitter auxiliary information for recommendations on YouTube target network. Extensive comparisons against multiple time aware and cross-network base-lines show that the proposed solution is superior in terms of accuracy, novelty and diversity. Furthermore, experiments conducted on the popular MovieLens dataset suggest that the proposed listwise ranking method outperforms existing state-of-the-art ranking techniques.
• Abstract（参考訳）: Webアプリケーションにおける情報の豊富さは、ユーザだけでなくアプリケーションにも不可欠である。 既存のレコメンデーションシステムの有効性にもかかわらず,(1)新規ユーザと既存ユーザの両方に対して,ユーザの嗜好の動的な性質を考慮してタイムリーなレコメンデーションを提供できないこと,(2)暗黙のフィードバックを用いた場合のランキングタスクに完全に最適化されていないこと,という2つの大きな制限がある。 そこで本研究では,新たな深層学習型統合クロスネットワークソリューションを提案し,冷スタート問題とデータスパーシティ問題を軽減し,新規ユーザと既存ユーザに対してタイムリーなレコメンデーションを提供する。さらに,暗黙フィードバック下でのランキング問題を分類タスクとして考慮し,暗黙データに対するリストワイズ最適化基準を汎用的に提案し,アイテムのリストを効果的にランク付けする。 youtubeターゲットネットワーク上でのレコメンデーションにtwitterの補助情報を用いたクロスネットワークモデルを提案する。 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との大規模な比較は,提案手法が精度,ノベルティ,多様性の点で優れていることを示している。 さらに, 人気のあるmovielensデータセットを用いた実験により, 提案手法が既存の最先端ランキング手法を上回っていることが示唆された。

関連論文リスト

• Better Late Than Never: Formulating and Benchmarking Recommendation Editing [25.52471182435051]
  本稿では、既知の、不適切なレコメンデーション行動を修正することに焦点を当てたレコメンデーション編集を紹介する。 本稿では, 厳密な修正, 協調的な修正, 集中的な修正の3つの主目的によるレコメンデーション編集の課題を正式に定義する。 ベイジアン・パーソナライズド・ランキング・ロス(Personalized Ranking Loss)を用いたレコメンデーション編集のための簡易かつ効果的なベンチマークを提示する。
  論文  参考訳（メタデータ） (2024-06-06T23:44:33Z)
• Improving Recommendation Fairness via Data Augmentation [66.4071365614835]
  協調フィルタリングに基づくレコメンデーションは、すべてのユーザの過去の行動データからユーザの好みを学習し、意思決定を容易にするために人気がある。 ユーザの敏感な属性に応じて異なるユーザグループに対して等しく機能しない場合には,レコメンダシステムは不公平であると考えられる。 本稿では,データ拡張の観点から,レコメンデーションフェアネスを改善する方法について検討する。
  論文  参考訳（メタデータ） (2023-02-13T13:11:46Z)
• A Sequence-Aware Recommendation Method Based on Complex Networks [1.385805101975528]
  データからネットワークモデルを構築し、それを使ってユーザのその後のアクションを予測する。 提案手法は大規模データセット上で実験的に実装および試験を行った。
  論文  参考訳（メタデータ） (2022-09-30T16:34:39Z)
• Breaking Feedback Loops in Recommender Systems with Causal Inference [99.22185950608838]
  近年の研究では、フィードバックループが推奨品質を損なう可能性があり、ユーザの振る舞いを均質化している。 本稿では、因果推論を用いてフィードバックループを確実に破壊するアルゴリズムCAFLを提案する。 従来の補正手法と比較して,CAFLは推奨品質を向上することを示す。
  論文  参考訳（メタデータ） (2022-07-04T17:58:39Z)
• Choosing the Best of Both Worlds: Diverse and Novel Recommendations through Multi-Objective Reinforcement Learning [68.45370492516531]
  本稿では,Recommender Systems (RS) 設定のための拡張多目的強化学習(SMORL)を紹介する。 SMORLエージェントは、標準レコメンデーションモデルを拡張し、RLレイヤーを追加し、3つの主要な目的(正確性、多様性、新しいレコメンデーション)を同時に満たすように強制する。 実世界の2つのデータセットに対する実験結果から,集約的多様性の顕著な増加,精度の適度な向上,レコメンデーションの反復性の低下,および相補的目的としての多様性と新規性の強化の重要性が示された。
  論文  参考訳（メタデータ） (2021-10-28T13:22:45Z)
• D2RLIR : an improved and diversified ranking function in interactive recommendation systems based on deep reinforcement learning [0.3058685580689604]
  本稿では,アクタ・クリティカルアーキテクチャを用いた深層強化学習に基づく推薦システムを提案する。 提案モデルでは,ユーザの嗜好に基づいて,多様かつ関連性の高いレコメンデーションリストを生成することができる。
  論文  参考訳（メタデータ） (2021-10-28T13:11:29Z)
• Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
  コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。 MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
  論文  参考訳（メタデータ） (2021-10-18T08:11:24Z)
• CRACT: Cascaded Regression-Align-Classification for Robust Visual Tracking [97.84109669027225]
  改良された提案改良モジュールCascaded Regression-Align- Classification (CRAC)を導入する。 CRACは多くのベンチマークで最先端のパフォーマンスを得る。 OTB-2015、UAV123、NfS、VOT-2018、TrackingNet、GOT-10k、LaSOTを含む7つのベンチマークの実験において、我々のCRACTは最先端の競合他社と比較して非常に有望な結果を示している。
  論文  参考訳（メタデータ） (2020-11-25T02:18:33Z)
• Exploring the use of Time-Dependent Cross-Network Information for Personalized Recommendations [33.17802459749589]
  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。
  論文  参考訳（メタデータ） (2020-08-25T07:52:47Z)
• 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)
• 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)

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。