論文の概要: The use of Recommender Systems in web technology and an in-depth
analysis of Cold State problem
- arxiv url: http://arxiv.org/abs/2009.04780v1
- Date: Thu, 10 Sep 2020 11:32:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 03:53:40.237669
- Title: The use of Recommender Systems in web technology and an in-depth
analysis of Cold State problem
- Title（参考訳）: web技術におけるレコメンダシステムの利用とコールド状態問題の深い分析
- Authors: Denis Selimi, Krenare Pireva Nuci
- Abstract要約: レコメンデーターシステムは、ユーザーにとって好ましくないアイテムを優先順位付けするためのパーソナライズされたビューを提供する。
彼らは長年にわたり、機械学習やデータマイニングを含む人工知能技術で発展してきた。
本稿では,このようなコールドスタート問題に,いくつかの手法と課題で対処することを目的とする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the WWW (World Wide Web), dynamic development and spread of data has
resulted a tremendous amount of information available on the Internet, yet user
is unable to find relevant information in a short span of time. Consequently, a
system called recommendation system developed to help users find their
infromation with ease through their browsing activities. In other words,
recommender systems are tools for interacting with large amount of information
that provide personalized view for prioritizing items likely to be of keen for
users. They have developed over the years in artificial intelligence techniques
that include machine learning and data mining amongst many to mention.
Furthermore, the recommendation systems have personalized on an e-commerce,
on-line applications such as Amazon.com, Netflix, and Booking.com. As a result,
this has inspired many researchers to extend the reach of recommendation
systems into new sets of challenges and problem areas that are yet to be truly
solved, primarily a problem with the case of making a recommendation to a new
user that is called cold-state (i.e. cold-start) user problem where the new
user might likely not yield much of information searched. Therfore, the purpose
of this paper is to tackle the said cold-start problem with a few effecient
methods and challenges, as well as identify and overview the current state of
recommendation system as a whole
- Abstract（参考訳）: WWW(World Wide Web)では、動的開発とデータの拡散がインターネット上で膨大な量の情報をもたらしているが、ユーザは短時間で関連する情報を見つけることができない。
その結果,ユーザが閲覧活動を通じて容易に出自を見つけるためのレコメンデーションシステム(recommation system)が開発された。
言い換えれば、リコメンダシステムは大量の情報と対話するツールであり、ユーザにとって好まれるアイテムを優先順位付けするためのパーソナライズされたビューを提供する。
彼らは何年にもわたって、機械学習やデータマイニングを含む人工知能技術で発展してきた。
さらに、レコメンデーションシステムは、Amazon.com、Netflix、Booking.comなどのオンラインアプリケーションにパーソナライズされている。
その結果、多くの研究者が、レコメンデーションシステムの到達範囲を、まだ真に解決されていない課題や問題領域に拡張することを促した。主に、新しいユーザーが検索された情報の多くを得られない可能性のある、コールドステート(すなわちコールドスタート)ユーザ問題と呼ばれる新しいユーザへのレコメンデーションを行う場合の問題である。
therfore, 本論文の目的は, このコールドスタート問題に対していくつかの効率のよい手法と課題を加えて対処することであり, 推薦システム全体の状況を特定し, 概観することである。
関連論文リスト
- A Deep Dive into Fairness, Bias, Threats, and Privacy in Recommender Systems: Insights and Future Research [45.86892639035389]
本研究では,推薦システムにおける公正性,バイアス,脅威,プライバシについて検討する。
アルゴリズムによる決定が、意図せずバイアスを強化したり、特定のユーザやアイテムグループを疎外したりする方法について検討する。
この研究は、推薦システムの堅牢性、公正性、プライバシーを改善するための今後の研究の方向性を示唆している。
論文 参考訳（メタデータ） (2024-09-19T11:00:35Z) - Embedding in Recommender Systems: A Survey [67.67966158305603]
重要な側面は、ユーザやアイテムIDといった高次元の離散的な特徴を低次元連続ベクトルに包含する技法である。
埋め込み技術の適用は複雑なエンティティ関係を捉え、かなりの研究を刺激している。
この調査では、協調フィルタリング、自己教師付き学習、グラフベースのテクニックなどの埋め込み手法を取り上げている。
論文 参考訳（メタデータ） (2023-10-28T06:31:06Z) - Ten Challenges in Industrial Recommender Systems [52.16127544350884]
Huawei NoahのArk Labは、2013年以来多くの製品がレコメンデーションシステムや検索エンジンを構築してきた。
ビッグデータとさまざまなシナリオによって、高度なレコメンデーション技術を開発する大きな機会が得られます。
RecSysコミュニティがインスピレーションを得て、より良いレコメンデーションシステムを作ることができることを願っています。
論文 参考訳（メタデータ） (2023-10-07T13:45:13Z) - Discussion about Attacks and Defenses for Fair and Robust Recommendation
System Design [0.0]
レコメンデーションシステムは、特定の製品の宣伝やデモを行う偽レビューなど、悪意のあるユーザーの偏見に弱い。
ディープラーニング協調フィルタリングレコメンデーションシステムは、このバイアスに対してより脆弱であることが示されている。
公正と安定のための堅牢なレコメンデーションシステムを設計する必要性について論じる。
論文 参考訳（メタデータ） (2022-09-28T13:00:26Z) - A Survey of Recommender System Techniques and the Ecommerce Domain [0.0]
本稿では,e-Commerce,e-tourism,e-resources,e- Government,e-learning,e-libraryにおけるレコメンダシステムのさまざまな技術と展開についてレビューする。
論文 参考訳（メタデータ） (2022-08-15T18:30:22Z) - Advances and Challenges in Conversational Recommender Systems: A Survey [133.93908165922804]
現在の会話レコメンダーシステム(CRS)で使用されるテクニックの体系的なレビューを提供します。
CRS開発の主な課題を5つの方向にまとめます。
これらの研究の方向性は、情報検索(IR)、自然言語処理(NLP)、人間とコンピュータの相互作用(HCI)などの複数の研究分野を含みます。
論文 参考訳（メタデータ） (2021-01-23T08:53:15Z) - On the Social and Technical Challenges of Web Search Autosuggestion
Moderation [118.47867428272878]
自動提案は通常、検索ログと文書表現のコーパスに基づいてトレーニングされた機械学習(ML)システムによって生成される。
現在の検索エンジンは、このような問題のある提案を抑えるのに、ますます熟練している。
問題のある提案のいくつかの側面、パイプラインに沿った困難な問題、そしてWeb検索を超えたアプリケーションの増加になぜ私たちの議論が適用されるのかについて論じる。
論文 参考訳（メタデータ） (2020-07-09T19:22:00Z) - 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) - 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) - CHAMELEON: A Deep Learning Meta-Architecture for News Recommender
Systems [Phd. Thesis] [0.43512163406551996]
CHAMELEONは、ニュースレコメンデーションの課題に取り組むために設計されたディープラーニングメタアーキテクチャである。
モジュラー参照アーキテクチャで構成されており、異なるニューラルビルディングブロックを使用してインスタンス化することができる。
2つの大きなデータセットを用いて行った実験は、ニュースレコメンデーションにおけるCHAMELEONの有効性を示した。
論文 参考訳（メタデータ） (2019-12-29T13:40:56Z)
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。