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

• ComPO: Community Preferences for Language Model Personalization [122.54846260663922]
  ComPOは、言語モデルにおける好みの最適化をパーソナライズする手法である。 ComPRedはRedditからコミュニティレベルの好みを持った質問応答データセットです。
  論文  参考訳（メタデータ） (2024-10-21T14:02:40Z)
• Multi-Cause Deconfounding for Recommender Systems with Latent Confounders [20.559573838679853]
  潜伏要因は、ユーザーの行動、アイテムの露出、フィードバックに異なる方法で影響を及ぼす可能性がある。 既存のメソッドは、ユーザとフィードバックの間の潜伏した共同創設者を説明できない。 提案手法は,既存共同設立者によるリコメンデータシステムのためのマルチファインデコンウンディング手法を提案する。
  論文  参考訳（メタデータ） (2024-10-16T08:37:39Z)
• GaVaMoE: Gaussian-Variational Gated Mixture of Experts for Explainable Recommendation [55.769720670731516]
  GaVaMoEは、説明可能なレコメンデーションのための新しいフレームワークである。 特定のユーザータイプや好みのカスタマイズされた説明を生成する。 疎いユーザ-イテムインタラクションのシナリオでは、堅牢なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-10-15T17:59:30Z)
• MDAP: A Multi-view Disentangled and Adaptive Preference Learning Framework for Cross-Domain Recommendation [63.27390451208503]
  クロスドメインレコメンデーションシステムは、マルチドメインユーザインタラクションを活用してパフォーマンスを向上させる。 マルチビュー・ディスタングル・アダプティブ・プライスラーニング・フレームワークを提案する。 当社のフレームワークはマルチビューエンコーダを使用して,多様なユーザの好みをキャプチャする。
  論文  参考訳（メタデータ） (2024-10-08T10:06:45Z)
• DifFaiRec: Generative Fair Recommender with Conditional Diffusion Model [22.653890395053207]
  本稿では,拡散に基づくFair Recommender (DifFaiRec) という新しい推薦アルゴリズムを提案する。 DifFaiRecは条件付き拡散モデルに基づいており、アイテムのレーティングからユーザの好みの分布を学習する強力な能力を持っている。 公正性を保証するため,保護属性に対するモデル感度を低減し,数学的説明を提供するために,対物モジュールを設計する。
  論文  参考訳（メタデータ） (2024-09-18T07:39:33Z)
• 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)
• 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)
• 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)
• 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)
• 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。