論文の概要: Simultaneous Relevance and Diversity: A New Recommendation Inference Approach

• arxiv url: http://arxiv.org/abs/2009.12969v1
• Date: Sun, 27 Sep 2020 22:20:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 03:59:42.081116
• Title: Simultaneous Relevance and Diversity: A New Recommendation Inference Approach
• Title（参考訳）: 同時関連性と多様性:新しい推薦推論アプローチ
• Authors: Yifang Liu, Zhentao Xu, Qiyuan An, Yang Yi, Yanzhi Wang, Trevor Hastie
• Abstract要約: 本稿では,新しいCF推論手法である負対陽性を導入することにより,一般協調フィルタリング(CF)を拡張した新しい手法を提案する。 我々のアプローチは、様々な高度なレベルでの幅広い推奨シナリオ/ユースケースに適用できる。 公開データセットと実世界の生産データに関する分析と実験により、我々のアプローチは、関連性および多様性に関する既存の手法を同時に上回ることを示した。
• 参考スコア（独自算出の注目度）: 81.44167398308979
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Relevance and diversity are both important to the success of recommender systems, as they help users to discover from a large pool of items a compact set of candidates that are not only interesting but exploratory as well. The challenge is that relevance and diversity usually act as two competing objectives in conventional recommender systems, which necessities the classic trade-off between exploitation and exploration. Traditionally, higher diversity often means sacrifice on relevance and vice versa. We propose a new approach, heterogeneous inference, which extends the general collaborative filtering (CF) by introducing a new way of CF inference, negative-to-positive. Heterogeneous inference achieves divergent relevance, where relevance and diversity support each other as two collaborating objectives in one recommendation model, and where recommendation diversity is an inherent outcome of the relevance inference process. Benefiting from its succinctness and flexibility, our approach is applicable to a wide range of recommendation scenarios/use-cases at various sophistication levels. Our analysis and experiments on public datasets and real-world production data show that our approach outperforms existing methods on relevance and diversity simultaneously.
• Abstract（参考訳）: 関連性と多様性は、ユーザーが大量のアイテムのプールから興味深いだけでなく探索的な候補のコンパクトな集合を見つけるのを助けるため、レコメンダシステムの成功にとって重要である。 課題は、関連性と多様性が通常、従来のレコメンデーションシステムにおいて2つの競合する目標として機能することであり、それは、搾取と探検の間の古典的なトレードオフを必要とする。 伝統的に、より高い多様性はしばしば関連性の犠牲を意味し、その逆である。 本稿では, 一般協調フィルタリング(general collaborative filtering, cf)を拡張する新しい手法として, 負対正のcf推論法を提案する。 不均質な推論は、1つのレコメンデーションモデルにおいて、関連性と多様性が互いに2つの目標として支持し、レコメンデーションの多様性がレコメンデーション推論プロセスの本質的な結果である。 その簡潔さと柔軟性から、我々のアプローチは様々な高度なレベルの推奨シナリオ/ユースケースに適用できる。 公開データセットと実世界の生産データに関する分析と実験により、我々のアプローチは、関連性および多様性に関する既存の手法を同時に上回ることを示した。

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)
• Deep Pareto Reinforcement Learning for Multi-Objective Recommender Systems [60.91599969408029]
  複数の目的を同時に最適化することは、レコメンデーションプラットフォームにとって重要なタスクです。 既存の多目的推薦システムは、そのような動的な関係を体系的に考慮していない。
  論文  参考訳（メタデータ） (2024-07-04T02:19:49Z)
• BiVRec: Bidirectional View-based Multimodal Sequential Recommendation [55.87443627659778]
  我々は,IDとマルチモーダルの両方で推薦タスクを共同で訓練する,革新的なフレームワークであるBivRecを提案する。 BivRecは5つのデータセットで最先端のパフォーマンスを達成し、様々な実用的な利点を示している。
  論文  参考訳（メタデータ） (2024-02-27T09:10:41Z)
• Generalizable Heterogeneous Federated Cross-Correlation and Instance Similarity Learning [60.058083574671834]
  本稿では,新しいFCCL+,フェデレーション相関と非ターゲット蒸留との類似性学習を提案する。 不均一な問題に対しては、無関係な公開データを通信に活用する。 局所的な更新段階における破滅的な忘れ物として、FCCL+はFederated Non Target Distillationを導入している。
  論文  参考訳（メタデータ） (2023-09-28T09:32:27Z)
• Dynamic fairness-aware recommendation through multi-agent social choice [10.556124653827647]
  我々は、現実世界のアプリケーション設定における公平性、特にパーソナライズされたレコメンデーションの文脈において、より複雑で多面的であると主張している。 本稿では,2段階の社会的選択問題として,推薦システムにおけるマルチステークホルダフェアネスを定式化するモデルを提案する。
  論文  参考訳（メタデータ） (2023-03-02T05:06:17Z)
• Performative Recommendation: Diversifying Content via Strategic Incentives [13.452510519858995]
  学習が戦略的コンテンツクリエーターにインセンティブを与え、多様なコンテンツを作る方法を示します。 われわれのアプローチは、コンテンツに対する戦略的変化を予想する、新しい形式の正規化に依存している。
  論文  参考訳（メタデータ） (2023-02-08T21:02:28Z)
• Variational Distillation for Multi-View Learning [104.17551354374821]
  我々は,多視点表現学習における2つの重要な特徴を利用するために,様々な情報ボトルネックを設計する。 厳密な理論的保証の下で,本手法は,観察とセマンティックラベルの内在的相関の把握を可能にする。
  論文  参考訳（メタデータ） (2022-06-20T03:09:46Z)
• Diversity Preference-Aware Link Recommendation for Online Social Networks [0.2580765958706854]
  既存のリンクレコメンデーション手法は、ユーザーと類似の友人を推薦する傾向があるが、ユーザの多様性の好みを見落としている。 本稿では,新たなリンク推薦問題として,多様性に配慮したリンク推薦問題を提案する。 次に,新しいリンクレコメンデーション問題の鍵となる特性を分析し,その問題を解決するための新しいリンクレコメンデーション手法を開発した。
  論文  参考訳（メタデータ） (2022-05-21T22:59:00Z)
• 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)

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。