論文の概要: Spoiled for Choice? Personalized Recommendation for Healthcare
Decisions: A Multi-Armed Bandit Approach
- arxiv url: http://arxiv.org/abs/2009.06108v1
- Date: Sun, 13 Sep 2020 22:55:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-19 02:33:22.436293
- Title: Spoiled for Choice? Personalized Recommendation for Healthcare
Decisions: A Multi-Armed Bandit Approach
- Title（参考訳）: チョイスに誘われた?
医療判断のためのパーソナライズドレコメンデーション:マルチアームによるバンディットアプローチ
- Authors: Tongxin Zhou, Yingfei Wang, Lu (Lucy) Yan, Yong Tan
- Abstract要約: 本稿では,医療介入の選択を支援するレコメンデーションフレームワークを提案する。
ユーザの健康行動が極めてダイナミックで多様なものであることを考慮し,マルチアーム・バンディット(MAB)によるレコメンデーションフレームワークを提案する。
そこで我々は、MABを医療の文脈に適応させるために、2つの革新的なモデル要素を顕著な健康理論に基づいて合成する。
- 参考スコア（独自算出の注目度）: 1.6058099298620423
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Online healthcare communities provide users with various healthcare
interventions to promote healthy behavior and improve adherence. When faced
with too many intervention choices, however, individuals may find it difficult
to decide which option to take, especially when they lack the experience or
knowledge to evaluate different options. The choice overload issue may
negatively affect users' engagement in health management. In this study, we
take a design-science perspective to propose a recommendation framework that
helps users to select healthcare interventions. Taking into account that users'
health behaviors can be highly dynamic and diverse, we propose a multi-armed
bandit (MAB)-driven recommendation framework, which enables us to adaptively
learn users' preference variations while promoting recommendation diversity in
the meantime. To better adapt an MAB to the healthcare context, we synthesize
two innovative model components based on prominent health theories. The first
component is a deep-learning-based feature engineering procedure, which is
designed to learn crucial recommendation contexts in regard to users'
sequential health histories, health-management experiences, preferences, and
intrinsic attributes of healthcare interventions. The second component is a
diversity constraint, which structurally diversifies recommendations in
different dimensions to provide users with well-rounded support. We apply our
approach to an online weight management context and evaluate it rigorously
through a series of experiments. Our results demonstrate that each of the
design components is effective and that our recommendation design outperforms a
wide range of state-of-the-art recommendation systems. Our study contributes to
the research on the application of business intelligence and has implications
for multiple stakeholders, including online healthcare platforms, policymakers,
and users.
- Abstract（参考訳）: オンライン医療コミュニティは、健康的な行動を促進し、順守を改善するために様々な医療介入を提供する。
しかし、介入の選択肢が多すぎると、どの選択肢を取るか、特に異なる選択肢を評価するための経験や知識が欠如している場合には、決定が困難になる可能性がある。
オーバーロードの問題の選択は、健康管理におけるユーザの関与に悪影響を及ぼす可能性がある。
本研究では,デザインサイエンスの観点から,医療介入の選択を支援するレコメンデーションフレームワークを提案する。
本稿では,ユーザの健康行動が高度に動的かつ多様であることを考慮し,その間,レコメンデーション多様性を促進しつつ,ユーザの嗜好の多様性を適応的に学習するマルチアーム付きバンディット(mab)によるレコメンデーションフレームワークを提案する。
mabを医療コンテキストに適合させるため、著名な健康理論に基づいた2つの革新的なモデルコンポーネントを合成する。
第1のコンポーネントは、ディープラーニングベースの機能エンジニアリング手順で、ユーザのシーケンシャルな健康履歴、健康管理経験、嗜好、および医療介入の本質的な属性に関する重要なレコメンデーションコンテキストを学習するように設計されている。
第2のコンポーネントは多様性の制約であり、さまざまな次元のレコメンデーションを構造的に多様化し、ユーザに対して十分なサポートを提供する。
このアプローチをオンラインウェイト管理コンテキストに適用し,一連の実験を通じて厳格に評価する。
以上の結果から,各設計コンポーネントは有効であり,提案設計は最先端のレコメンデーションシステムよりも優れていることが示された。
本研究は、ビジネスインテリジェンスの応用に関する研究に寄与し、オンラインヘルスケアプラットフォーム、政策立案者、ユーザーを含む複数の利害関係者に影響を与えている。
関連論文リスト
- Relevance meets Diversity: A User-Centric Framework for Knowledge Exploration through Recommendations [15.143224593682012]
本稿では,コプラ関数による妥当性と多様性を組み合わせた新しいレコメンデーション戦略を提案する。
我々は,システムと対話しながらユーザから得た知識量のサロゲートとして多様性を利用する。
我々の戦略は、最先端のライバル数社を上回っている。
論文 参考訳（メタデータ） (2024-08-07T13:48:24Z) - User Welfare Optimization in Recommender Systems with Competing Content Creators [65.25721571688369]
本研究では,コンテンツ制作者間での競争ゲーム環境下で,システム側ユーザ福祉の最適化を行う。
本稿では,推奨コンテンツの満足度に基づいて,各ユーザの重みの列を動的に計算する,プラットフォームのためのアルゴリズムソリューションを提案する。
これらの重みはレコメンデーションポリシーやポストレコメンデーション報酬を調整するメカニズムの設計に利用され、それによってクリエイターのコンテンツ制作戦略に影響を与える。
論文 参考訳（メタデータ） (2024-04-28T21:09:52Z) - CAREForMe: Contextual Multi-Armed Bandit Recommendation Framework for
Mental Health [7.553541266741278]
本稿では、メンタルヘルスのためのコンテキスト型マルチアームバンディット(CMAB)勧告フレームワークであるCAREForMeを紹介する。
CAREForMeは、モバイルセンシングとオンライン学習アルゴリズムを利用して、タイムリーでパーソナライズされたレコメンデーションを提供する。
さまざまなプラットフォームにまたがる実装を通じて,CAREForMeの汎用性を紹介する。
論文 参考訳（メタデータ） (2024-01-26T20:18:25Z) - Improving Recommendation System Serendipity Through Lexicase Selection [53.57498970940369]
本稿では,レコメンデーションシステムにおけるエコーチャンバーとホモフィリーの存在を測定するための新しいセレンディピティー指標を提案する。
そこで我々は,レキシケース選択と呼ばれる親選択アルゴリズムを採用することにより,よく知られたレコメンデーション手法の多様性保存性の向上を試みる。
以上の結果から,レキシケースの選択とランキングの混合は,パーソナライゼーション,カバレッジ,セレンディピティー・ベンチマークにおいて,純粋にランク付けされている。
論文 参考訳（メタデータ） (2023-05-18T15:37:38Z) - A Comprehensive Picture of Factors Affecting User Willingness to Use
Mobile Health Applications [62.60524178293434]
本研究の目的は,mHealthアプリのユーザ受け入れに影響を与える要因を検討することである。
利用者のデジタルリテラシーは、個人情報を共有するオンライン習慣に続き、使用意欲に最も強い影響を与える。
居住国、年齢、民族、教育などの利用者の人口統計学的背景は、顕著な緩和効果がある。
論文 参考訳（メタデータ） (2023-05-10T08:11:21Z) - Knowledge Enhancement for Multi-Behavior Contrastive Recommendation [39.50243004656453]
本稿では,KMCLR(Knowledge Enhancement Multi-Behavior Contrastive Learning Recommendation)フレームワークを提案する。
本研究では,ユーザのパーソナライズされた行動情報を抽出し,ユーザ埋め込み強化のためのマルチ行動学習モジュールを設計する。
最適化段階では、粗粒度共通性とユーザの複数行動間の微粒度差をモデル化し、推奨効果をさらに改善する。
論文 参考訳（メタデータ） (2023-01-13T06:24:33Z) - Two-Stage Neural Contextual Bandits for Personalised News Recommendation [50.3750507789989]
既存のパーソナライズされたニュースレコメンデーション手法は、ユーザの興味を搾取することに集中し、レコメンデーションにおける探索を無視する。
我々は、エクスプロイトと探索のトレードオフに対処する文脈的包括的レコメンデーション戦略に基づいて構築する。
我々はユーザとニュースにディープラーニング表現を使用し、ニューラルアッパー信頼境界(UCB)ポリシーを一般化し、加法的 UCB と双線形 UCB を一般化する。
論文 参考訳（メタデータ） (2022-06-26T12:07:56Z) - Incorporating Domain Knowledge into Health Recommender Systems using
Hyperbolic Embeddings [0.0]
本研究は,患者の健康状態に基づいたプライマリケアにおける患者と医師のマッチングのためのコンテンツベースのレコメンデーションシステムを提案する。
提案手法は,推薦精度において従来のモデルよりも優れており,ビジネス上の重要な意味を持つ。
論文 参考訳（メタデータ） (2021-06-14T19:33:37Z) - Assessing the Severity of Health States based on Social Media Posts [62.52087340582502]
ユーザの健康状態の重症度を評価するために,テキストコンテンツとコンテキスト情報の両方をモデル化する多視点学習フレームワークを提案する。
多様なNLUビューは、ユーザの健康を評価するために、タスクと個々の疾患の両方に効果を示す。
論文 参考訳（メタデータ） (2020-09-21T03:45:14Z) - Do recommender systems function in the health domain: a system review [2.356961266962294]
我々は、関心、方法、評価、今後の課題、トレンド問題を含む健康推奨システムの側面をレビューする。
1) 健康レコメンデーションシステムには、食事レコメンデーションのような、より控えめなレコメンデーションに焦点を合わせるための、独自の健康上の問題がある。
このレビューは、ドメイン研究者の助けとなり、ヘルスレコメンデーションシステムの次のステップに進むだろうと考えられている。
論文 参考訳（メタデータ） (2020-07-26T04:58:47Z) - Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。
当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
論文 参考訳（メタデータ） (2020-05-21T12:28:59Z)
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。