論文の概要: A Deep Hybrid Model for Recommendation Systems

• arxiv url: http://arxiv.org/abs/2009.09748v1
• Date: Mon, 21 Sep 2020 10:41:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-16 03:48:04.278399
• Title: A Deep Hybrid Model for Recommendation Systems
• Title（参考訳）: 推薦システムのための深層ハイブリッドモデル
• Authors: Muhammet cakir, sule gunduz oguducu, resul tugay
• Abstract要約: 我々は,ID埋め込みだけでなく,求人情報の特徴や求人システム候補などの補助情報も含む新しいディープニューラルネットワークアーキテクチャを提案する。 ジョブサイトからのデータセットに対する実験結果から,提案手法は,ID埋め込みを用いたディープラーニングモデルよりも推奨結果を改善することが示された。
• 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: Recommendation has been a long-standing problem in many areas ranging from e-commerce to social websites. Most current studies focus only on traditional approaches such as content-based or collaborative filtering while there are relatively fewer studies in hybrid recommender systems. Due to the latest advances of deep learning achieved in different fields including computer vision and natural language processing, deep learning has also gained much attention in Recommendation Systems. There are several studies that utilize ID embeddings of users and items to implement collaborative filtering with deep neural networks. However, such studies do not take advantage of other categorical or continuous features of inputs. In this paper, we propose a new deep neural network architecture which consists of not only ID embeddings but also auxiliary information such as features of job postings and candidates for job recommendation system which is a reciprocal recommendation system. Experimental results on the dataset from a job-site show that the proposed method improves recommendation results over deep learning models utilizing ID embeddings.
• Abstract（参考訳）: 推薦は、eコマースからソーシャルWebサイトまで、多くの分野で長年の問題だった。 ほとんどの研究は、コンテンツベースや協調フィルタリングのような従来のアプローチにのみ焦点を当てているが、ハイブリッドレコメンデータシステムでは比較的少ない。 コンピュータビジョンや自然言語処理など,さまざまな分野におけるディープラーニングの最新の進歩により,ディープラーニングはレコメンデーションシステムにおいても注目されている。 ディープニューラルネットワークとの協調フィルタリングを実現するために、ユーザとアイテムのid埋め込みを利用する研究がいくつかある。 しかし、そのような研究は入力の他のカテゴリー的あるいは連続的な特徴を生かさない。 本稿では,id埋め込みだけでなく,求人の特徴や相互推薦システムである求人推薦システム候補などの補助情報も含む,新しい深層ニューラルネットワークアーキテクチャを提案する。 ジョブサイトからのデータセットに対する実験結果から,提案手法は,ID埋め込みを用いたディープラーニングモデルよりも推奨結果を改善することが示された。

関連論文リスト

• 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)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• A Comprehensive Review on Non-Neural Networks Collaborative Filtering Recommendation Systems [1.3124513975412255]
  協調フィルタリング(CF)は、あるユーザグループの既知の好みを利用して、他のユーザの未知の好みに関する予測とレコメンデーションを行う。 1990年代に初めて導入され、様々なモデルが提案されている。 多くの分野で機械学習技術の成功により、リコメンデーションシステムにおけるそのようなアルゴリズムの適用に重点が置かれている。
  論文  参考訳（メタデータ） (2021-06-20T11:13:33Z)
• A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
  コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。 この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。 ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
  論文  参考訳（メタデータ） (2021-05-26T14:37:07Z)
• A Survey on Neural Recommendation: From Collaborative Filtering to Content and Context Enriched Recommendation [70.69134448863483]
  レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。 近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
  論文  参考訳（メタデータ） (2021-04-27T08:03:52Z)
• A Survey on Deep Learning Based Point-Of-Interest (POI) Recommendations [1.3859669037499769]
  位置情報ベースのソーシャルネットワーク(LBSN)は、チェックイン、意見、写真、レビューを共有することで、友人や知り合いと交流することを可能にする。 LBSNから生成された膨大な量のデータが新たな研究の道を開き、Point-of-Interest(POI)レコメンデーションと呼ばれる新しいサブフィールドのレコメンデーションシステムを生み出した。 POIレコメンデーション技術は、ユーザの履歴チェックインとPOI属性や友情ネットワークなどのマルチモーダル情報を利用して、ユーザに適した次のPOIセットを推奨する。
  論文  参考訳（メタデータ） (2020-11-20T02:55:52Z)
• Comprehensive Empirical Evaluation of Deep Learning Approaches for Session-based Recommendation in E-Commerce [38.42250061908039]
  セッションベースのレコメンデーションでは、リコメンデーションシステムは、同じセッション内でユーザが行ったイベントの順序をカウントして、他のアイテムを予測し、支持する。 本稿では,セッションベースレコメンデーションで使用される最先端のディープラーニングアプローチについて,包括的に評価する。
  論文  参考訳（メタデータ） (2020-10-17T17:22:35Z)
• 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)
• 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)

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。