論文の概要: MARS-Gym: A Gym framework to model, train, and evaluate Recommender Systems for Marketplaces

• arxiv url: http://arxiv.org/abs/2010.07035v1
• Date: Wed, 30 Sep 2020 16:39:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 23:19:30.054735
• Title: MARS-Gym: A Gym framework to model, train, and evaluate Recommender Systems for Marketplaces
• Title（参考訳）: MARS-Gym: マーケットプレース向けのRecommender Systemsをモデル化、トレーニング、評価するためのGymフレームワーク
• Authors: Marlesson R. O. Santana, Luckeciano C. Melo, Fernando H. F. Camargo, Bruno Brand\~ao, Anderson Soares, Renan M. Oliveira and Sandor Caetano
• Abstract要約: MARS-Gymは、市場におけるレコメンデーションのための強化学習エージェントの構築と評価を行うオープンソースフレームワークである。 本稿では,Trivagoマーケットプレースデータセットにおいて,さまざまなベースラインエージェントの実装とメトリクス駆動による分析を行う。 学術研究と生産システムとのギャップを埋め、新しいアルゴリズムやアプリケーションの設計を容易にしたいと考えている。
• 参考スコア（独自算出の注目度）: 51.123916699062384
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender Systems are especially challenging for marketplaces since they must maximize user satisfaction while maintaining the healthiness and fairness of such ecosystems. In this context, we observed a lack of resources to design, train, and evaluate agents that learn by interacting within these environments. For this matter, we propose MARS-Gym, an open-source framework to empower researchers and engineers to quickly build and evaluate Reinforcement Learning agents for recommendations in marketplaces. MARS-Gym addresses the whole development pipeline: data processing, model design and optimization, and multi-sided evaluation. We also provide the implementation of a diverse set of baseline agents, with a metrics-driven analysis of them in the Trivago marketplace dataset, to illustrate how to conduct a holistic assessment using the available metrics of recommendation, off-policy estimation, and fairness. With MARS-Gym, we expect to bridge the gap between academic research and production systems, as well as to facilitate the design of new algorithms and applications.
• Abstract（参考訳）: Recommender Systemsは、こうしたエコシステムの健全性と公平性を維持しながら、ユーザの満足度を最大化しなければならないため、マーケットプレースにとって特に難しい。 この文脈では、これらの環境の中で相互作用することで学習するエージェントを設計、訓練、評価するためのリソースの欠如を観察した。 そこで我々は,市場におけるレコメンデーションのための強化学習エージェントの構築と評価を,研究者や技術者が迅速に行えるようにするためのオープンソースフレームワークMARS-Gymを提案する。 MARS-Gymは、データ処理、モデル設計と最適化、マルチサイド評価という、開発パイプライン全体に対処する。 また,Trivagoのマーケットプレースデータセットにおいて,さまざまなベースラインエージェントのセットを実装し,そのメトリクスによる分析を行い,レコメンデーション,非政治推定,公正性といった指標を用いて全体的評価を行う方法を説明する。 MARS-Gymでは,学術研究と生産システムのギャップを埋めるとともに,新しいアルゴリズムやアプリケーションの設計を容易にすることが期待されている。

関連論文リスト

• Course Recommender Systems Need to Consider the Job Market [16.88792726960708]
  本稿では,職業市場のスキル要求を取り入れたコースレコメンデーションシステムの構築を目指して,産業界と連携して研究を行う学術研究者の視点に焦点を当てる。 本稿では,これらの要求を効果的に解決するためのコースレコメンデータシステムの基本的特性について概説する。 本稿では,言語モデル(LLM)をスキル抽出に用い,求人市場に合わせて強化学習(RL)を施した既存のリコメンデータシステムに対処する初期システムを提案する。
  論文  参考訳（メタデータ） (2024-04-16T19:52:57Z)
• EASRec: Elastic Architecture Search for Efficient Long-term Sequential Recommender Systems [82.76483989905961]
  現在のSRS(Sequential Recommender Systems)は、計算とリソースの非効率に悩まされている。 我々は、効率的な長期シーケンスレコメンダシステム(EASRec)のための弾性アーキテクチャー探索を開発する。 EASRecは、入力データバッチから履歴情報を活用するデータ認識ゲートを導入し、レコメンデーションネットワークの性能を改善する。
  論文  参考訳（メタデータ） (2024-02-01T07:22:52Z)
• A Comprehensive Survey of Evaluation Techniques for Recommendation Systems [0.0]
  本稿では,システム性能の異なる側面を捉えた,総合的なメトリクススイートを紹介する。 私たちは、現在の評価プラクティスの長所と短所を特定し、さまざまなメトリクスにまたがってレコメンデーションシステムを最適化するときに現れる、微妙なトレードオフを強調します。
  論文  参考訳（メタデータ） (2023-12-26T11:57:01Z)
• 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)
• RecRec: Algorithmic Recourse for Recommender Systems [41.97186998947909]
  特定の予測やレコメンデーションを行う上で、すべての利害関係者がモデルの理論的根拠を理解することが不可欠です。 これは、リコメンデーションシステムに依存するコンテンツプロバイダにとって特に当てはまります。 本稿では,コンテンツ提供者を対象としたレコメンデーションシステムのためのレコメンデーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-28T22:26:50Z)
• Recommender Systems in the Era of Large Language Models (LLMs) [62.0129013439038]
  大規模言語モデル(LLM)は自然言語処理(NLP)と人工知能(AI)の分野に革命をもたらした。 我々は, プレトレーニング, ファインチューニング, プロンプティングなどの様々な側面から, LLM を利用したレコメンデータシステムの総合的なレビューを行う。
  論文  参考訳（メタデータ） (2023-07-05T06:03:40Z)
• How Can Recommender Systems Benefit from Large Language Models: A Survey [82.06729592294322]
  大きな言語モデル(LLM)は、印象的な汎用知性と人間のような能力を示している。 我々は,実世界のレコメンデータシステムにおけるパイプライン全体の観点から,この研究の方向性を包括的に調査する。
  論文  参考訳（メタデータ） (2023-06-09T11:31:50Z)
• A Survey on Large Language Models for Recommendation [77.91673633328148]
  大規模言語モデル(LLM)は自然言語処理(NLP)の分野で強力なツールとして登場した。 本調査では,これらのモデルを2つの主要なパラダイム(DLLM4Rec)とジェネレーティブLSM4Rec(GLLM4Rec)に分類する。
  論文  参考訳（メタデータ） (2023-05-31T13:51:26Z)
• Developing a Recommendation Benchmark for MLPerf Training and Inference [16.471395965484145]
  我々は、Theerferf Training and Inference Suitesの業界関連レコメンデーションベンチマークを定義することを目指している。 本稿では、パーソナライズされたレコメンデーションシステムのための望ましいモデリング戦略を合成する。 我々はレコメンデーションモデルアーキテクチャとデータセットの望ましい特徴を概説する。
  論文  参考訳（メタデータ） (2020-03-16T17:13:00Z)

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。