論文の概要: Explainable Recommendations via Attentive Multi-Persona Collaborative
Filtering
- arxiv url: http://arxiv.org/abs/2010.07042v1
- Date: Sat, 26 Sep 2020 11:52:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-14 08:36:56.141109
- Title: Explainable Recommendations via Attentive Multi-Persona Collaborative
Filtering
- Title(参考訳): マルチペソナ・コラボレーティブ・フィルタリングによる説明可能な勧告
- Authors: Oren Barkan, Yonatan Fuchs, Avi Caciularu, Noam Koenigstein
- Abstract要約: 推薦システムの主な課題は、ユーザを異質な味でモデル化し、説明可能なレコメンデーションを提供することである。
両問題の統一解として,ニューラル・アテンテーティブ・マルチペソナ協調フィルタリングモデルを提案する。
- 参考スコア(独自算出の注目度): 23.568264786920793
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Two main challenges in recommender systems are modeling users with
heterogeneous taste, and providing explainable recommendations. In this paper,
we propose the neural Attentive Multi-Persona Collaborative Filtering (AMP-CF)
model as a unified solution for both problems. AMP-CF breaks down the user to
several latent 'personas' (profiles) that identify and discern the different
tastes and inclinations of the user. Then, the revealed personas are used to
generate and explain the final recommendation list for the user. AMP-CF models
users as an attentive mixture of personas, enabling a dynamic user
representation that changes based on the item under consideration. We
demonstrate AMP-CF on five collaborative filtering datasets from the domains of
movies, music, video games and social networks. As an additional contribution,
we propose a novel evaluation scheme for comparing the different items in a
recommendation list based on the distance from the underlying distribution of
"tastes" in the user's historical items. Experimental results show that AMP-CF
is competitive with other state-of-the-art models. Finally, we provide
qualitative results to showcase the ability of AMP-CF to explain its
recommendations.
- Abstract(参考訳): 推薦システムの主な課題は、ユーザを異質な味でモデル化し、説明可能なレコメンデーションを提供することである。
本稿では,両問題の統一解として,ニューラル・アテンテーティブ・マルチパーソナ協調フィルタリング(AMP-CF)モデルを提案する。
amp-cfはユーザを、ユーザの異なる好みやインライン化を識別し識別する、潜在的な'ペルソナ'(プロファイル)に分類する。
そして、開示されたペルソナを使用して、ユーザの最終推薦リストを生成し、説明する。
AMP-CFはユーザをペルソナの注意深い混合としてモデル化し、検討中の項目に基づいて変化する動的なユーザ表現を可能にする。
AMP-CFを映画、音楽、ビデオゲーム、ソーシャルネットワークの領域から5つの協調フィルタリングデータセット上で実証する。
追加の貢献として,利用者の履歴項目における「味」の分布からの距離に基づいて推薦リストの異なる項目を比較する新しい評価手法を提案する。
実験の結果,AMP-CFは他の最先端モデルと競合することが示された。
最後に、AMP-CFの推奨機能を説明するための定性的な結果を提供する。
関連論文リスト
- Towards Explainable Collaborative Filtering with Taste Clusters Learning [43.4512681951459]
協調フィルタリング(CF)は、リコメンダシステムにおいて広く使われ、効果的な手法である。
レコメンデーションモデルに説明可能性を追加することは、意思決定プロセスにおける信頼を高めるだけでなく、複数のメリットも得る。
本稿では,解釈可能なクラスタ・ラーニングを生かした,クリーンで効果的なECF(Explainable Collaborative Filtering)モデルを提案する。
論文 参考訳(メタデータ) (2023-04-27T03:08:15Z) - Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。
しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。
したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
論文 参考訳(メタデータ) (2022-11-17T19:00:24Z) - SelfCF: A Simple Framework for Self-supervised Collaborative Filtering [72.68215241599509]
協調フィルタリング(CF)は、観測された相互作用からユーザやアイテムの情報的潜在表現を学習するために広く用いられている。
本稿では,暗黙的なフィードバックを伴うレコメンデータシナリオに特化して設計された自己教師型協調フィルタリングフレームワーク(SelfCF)を提案する。
自制フレームワークのBUIRと比較して,SelfCFは平均17.79%の精度向上を実現している。
論文 参考訳(メタデータ) (2021-07-07T05:21:12Z) - PURS: Personalized Unexpected Recommender System for Improving User
Satisfaction [76.98616102965023]
本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。
3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
論文 参考訳(メタデータ) (2021-06-05T01:33:21Z) - Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback
based Recommendation [59.183016033308014]
本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。
提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
論文 参考訳(メタデータ) (2021-05-16T08:06:22Z) - Thematic recommendations on knowledge graphs using multilayer networks [0.0]
知識グラフ(KG)の多層ネットワーク表現に基づくテーマレコメンデーションの生成と評価のためのフレームワークを提案する。
この表現では、各層はKG内の異なるタイプの関係を符号化し、有向層間結合は異なる役割において同じエンティティを接続する。
パーソナライズされたPageRankアルゴリズムをKGの多層モデルに適用し,項目列レコメンデーションを生成する。
論文 参考訳(メタデータ) (2021-05-12T15:30:21Z) - Dual-embedding based Neural Collaborative Filtering for Recommender
Systems [0.7949579654743338]
本稿では,DNCF をベースとしたニューラル・コラボレーティブ・フィルタリングのために,DNCF という汎用的な協調フィルタリングフレームワークを提案する。
ユーザ(アイテム)に対するプリミティブな埋め込みの学習に加えて,インタラクションされたアイテム(ユーザ)の観点から追加的な埋め込みを導入し,ユーザ(item)表現を拡大する。
論文 参考訳(メタデータ) (2021-02-04T11:32:11Z) - Attentive Autoencoders for Multifaceted Preference Learning in One-class
Collaborative Filtering [23.056754242935824]
Attentive Multi-modal AutoRecはマルチモーダル潜在表現でユーザの好みを追跡する。
AMAはOC-CF設定下での最先端モデルと競合することを示す。
論文 参考訳(メタデータ) (2020-10-24T06:35:44Z) - Joint Variational Autoencoders for Recommendation with Implicit Feedback [7.880059199461512]
暗黙的なフィードバックを伴うトップkレコメンデーションのためのジョイント変分オートエンコーダ(JoVA)を導入する。
実験の結果,JoVA-Hingeは最先端の協調フィルタリング手法よりも優れていた。
論文 参考訳(メタデータ) (2020-08-17T19:06:31Z) - 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) - MetaSelector: Meta-Learning for Recommendation with User-Level Adaptive
Model Selection [110.87712780017819]
推薦システムにおけるユーザレベルの適応モデル選択を容易にするメタラーニングフレームワークを提案する。
2つのパブリックデータセットと実世界のプロダクションデータセットで実験を行います。
論文 参考訳(メタデータ) (2020-01-22T16:05:01Z)
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。