Fugu-MT 論文翻訳(概要): Content-Based Personalized Recommender System Using Entity Embeddings

論文の概要: Content-Based Personalized Recommender System Using Entity Embeddings

arxiv url: http://arxiv.org/abs/2010.12798v1
Date: Sat, 24 Oct 2020 06:25:13 GMT
ステータス: 処理完了
システム内更新日: 2022-10-03 13:37:41.759813
Title: Content-Based Personalized Recommender System Using Entity Embeddings
Title（参考訳）: エンティティ埋め込みを用いたコンテンツベースパーソナライズドレコメンダシステム
Authors: Xavier Thomas
Abstract要約: 本稿では,学習した埋め込みを通して,コンテンツベースのアプローチの利点を強調することを目的とする。ジャンルやキーワードタグなどの様々な映画機能に対するユーザの好みに基づいて、より良くパーソナライズされた映画レコメンデーションを提供する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recommender systems are a class of machine learning algorithms that provide relevant recommendations to a user based on the user's interaction with similar items or based on the content of the item. In settings where the content of the item is to be preserved, a content-based approach would be beneficial. This paper aims to highlight the advantages of the content-based approach through learned embeddings and leveraging these advantages to provide better and personalised movie recommendations based on user preferences to various movie features such as genre and keyword tags.
Abstract（参考訳）: Recommender System(リコメンダーシステム)は、ユーザーが類似のアイテムと対話したり、そのアイテムの内容に基づいて、関連するレコメンデーションを提供する機械学習アルゴリズムのクラスである。アイテムのコンテンツを保存するような設定では、コンテンツベースのアプローチが役に立つでしょう。本稿では、学習した埋め込みを通してコンテンツベースのアプローチの利点を強調し、これらの利点を活用し、ジャンルやキーワードタグなどの様々な映画機能に対するユーザの好みに基づく、より優れたパーソナライズされた映画レコメンデーションを提供する。

関連論文リスト

Preference Elicitation with Soft Attributes in Interactive Recommendation [39.74528988497788]
本研究では,ソフト属性を適応し,アイテムと属性に基づく嗜好を引き出す新しい選好選好方法を提案する。提案手法は,商品とソフト属性の両方を用いてユーザに対してクエリを行い,レコメンデーション品質を改善するために,レコメンデーションシステムの好みに対する信念を更新する。
論文参考訳（メタデータ） (2023-10-22T17:23:20Z)
VideolandGPT: A User Study on a Conversational Recommender System [0.14495144578817493]
本稿では,ビデオ・オン・デマンド(VOD)プラットフォームのレコメンデーションシステムであるVideolandGPTを紹介する。評価指標,ユーザエクスペリエンス,リコメンデーションの公平性を評価し,個人化バージョンと非個人化バージョンを比較した。
論文参考訳（メタデータ） (2023-09-07T11:24:47Z)
PLIERS: a Popularity-Based Recommender System for Content Dissemination in Online Social Networks [5.505634045241288]
PLIERSと呼ばれる新しいタグベースのレコメンデーションシステムを提案する。これは、ユーザーが主にアイテムやタグに興味を持ち、既に所有しているものと同様の人気があるという仮定に依存している。 PLIERSは、アルゴリズムと推奨項目のパーソナライズレベルとの良好なトレードオフを達成することを目的としている。
論文参考訳（メタデータ） (2023-07-06T09:04:58Z)
Editable User Profiles for Controllable Text Recommendation [66.00743968792275]
制御可能なテキストレコメンデーションのための新しい概念値ボトルネックモデル LACE を提案する。 LACEは、人間の読みやすい概念の簡潔なセットで各ユーザーを表現する。ユーザ文書に基づいて概念のパーソナライズされた表現を学習する。
論文参考訳（メタデータ） (2023-04-09T14:52:18Z)
Dual Personalization on Federated Recommendation [50.4115315992418]
フェデレートされたレコメンデーションは、フェデレーションされた設定でプライバシを保存するレコメンデーションサービスを提供することを目的とした、新しいインターネットサービスアーキテクチャである。本稿では,ユーザ固有の軽量モデルの多くを学習するためのPersonalized Federated Recommendation(PFedRec)フレームワークを提案する。また、ユーザとアイテムの両方の詳細なパーソナライズを効果的に学習するための、新しい二重パーソナライズ機構を提案する。
論文参考訳（メタデータ） (2023-01-16T05:26:07Z)
Show Me What I Like: Detecting User-Specific Video Highlights Using Content-Based Multi-Head Attention [52.84233165201391]
そこで本稿では,従来視聴したビデオに表示されていたハイライトクリップに基づいて,対象ビデオの個別化ハイライトを検出する手法を提案する。本手法は,対象物と人的活動の事前学習機能を用いて,好むクリップの内容と対象ビデオの両方を明示的に活用する。
論文参考訳（メタデータ） (2022-07-18T02:32:48Z)
Discovering Personalized Semantics for Soft Attributes in Recommender Systems using Concept Activation Vectors [34.56323846959459]
インタラクティブなレコメンデータシステムは、ユーザがよりリッチな方法で意図、好み、制約、コンテキストを表現することを可能にする。課題の1つは、ユーザのセマンティックな意図を、しばしば望ましい項目を記述するために使用されるオープンエンドの用語や属性から推測することである。このような属性のセマンティクスを捉える表現を学習し、それをレコメンデーションシステムにおけるユーザの好みや行動に結びつけるためのフレームワークを開発する。
論文参考訳（メタデータ） (2022-02-06T18:45:15Z)
FEBR: Expert-Based Recommendation Framework for beneficial and personalized content [77.86290991564829]
推奨コンテンツの質を評価するための見習い学習フレームワークであるFEBR(Expert-Based Recommendation Framework)を提案する。このフレームワークは、推奨評価環境において専門家(信頼できると仮定される)の実証された軌跡を利用して、未知のユーティリティ機能を回復する。ユーザ関心シミュレーション環境(RecSim)によるソリューションの性能評価を行う。
論文参考訳（メタデータ） (2021-07-17T18:21:31Z)
Designing Explanations for Group Recommender Systems [0.0]
様々な理由でレコメンデーションシステムで説明が用いられる。レコメンダーシステムの開発者は、特定のアイテムを購入するようにユーザーに説得したいです。ユーザーは、レコメンダシステムがどのように機能し、なぜ特定のアイテムが推奨されたのかをよりよく理解する必要がある。
論文参考訳（メタデータ） (2021-02-24T17:05:39Z)
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)

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。