論文の概要: The item selection problem for user cold-start recommendation

• arxiv url: http://arxiv.org/abs/2010.14013v1
• Date: Tue, 27 Oct 2020 02:48:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 13:18:19.852513
• Title: The item selection problem for user cold-start recommendation
• Title（参考訳）: コールドスタート推薦における項目選択問題
• Authors: Yitong Meng, Jie Liu, Xiao Yan and James Cheng
• Abstract要約: インタラクションもサイド情報も必要とせず、ユーザの努力も必要としない、純粋なコールドスタートシナリオを考えます。 この問題は,新たなユーザコールドスタートカテゴリに陥り,企業の発展と存続にも不可欠である。
• 参考スコア（独自算出の注目度）: 19.589727557673765
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When a new user just signs up on a website, we usually have no information about him/her, i.e. no interaction with items, no user profile and no social links with other users. Under such circumstances, we still expect our recommender systems could attract the users at the first time so that the users decide to stay on the website and become active users. This problem falls into new user cold-start category and it is crucial to the development and even survival of a company. Existing works on user cold-start recommendation either require additional user efforts, e.g. setting up an interview process, or make use of side information [10] such as user demographics, locations, social relations, etc. However, users may not be willing to take the interview and side information on cold-start users is usually not available. Therefore, we consider a pure cold-start scenario where neither interaction nor side information is available and no user effort is required. Studying this setting is also important for the initialization of other cold-start solutions, such as initializing the first few questions of an interview.
• Abstract（参考訳）: 新しいユーザがウェブサイトにサインアップしたとき、通常、アイテムとのインタラクション、ユーザプロファイル、他のユーザとのソーシャルリンクなど、彼/彼女の情報はない。 このような状況下では,まずはレコメンダシステムがユーザを引き付けて,ユーザがwebサイトにとどまり,アクティブなユーザになるようにしたいと考えています。 この問題は,新たなユーザコールドスタートカテゴリに陥り,企業の発展と存続にも不可欠である。 ユーザコールドスタートレコメンデーションに関する既存の作業では、例えばインタビュープロセスの設定など、追加のユーザ努力が必要か、あるいはユーザ人口統計、場所、社会関係など、サイド情報[10]を利用する必要がある。 しかし、ユーザーはインタビューを受ける気はなく、コールドスタートのユーザーについてのサイド情報はたいてい利用できない。 したがって、インタラクションやサイド情報が利用できず、ユーザの取り組みも不要な純粋なコールドスタートシナリオを考える。 この設定を研究することは、インタビューの最初のいくつかの質問を初期化するなど、他のコールドスタートソリューションの初期化にも重要である。

関連論文リスト

• SocialRec: User Activity Based Post Weighted Dynamic Personalized Post Recommendation System in Social Media [5.5997926295092295]
  我々は、さまざまなトピックに関する投稿やエンゲージメントを含む、時間の経過とともにユーザー履歴を分析します。 ユーザのプロフィールを考慮し、彼らの活動とソーシャルメディアプラットフォームとの間のつながりを求める。
  論文  参考訳（メタデータ） (2024-07-13T02:46:37Z)
• Cold & Warm Net: Addressing Cold-Start Users in Recommender Systems [10.133475523630139]
  コールドスタートレコメンデーションは、レコメンダシステム(RS)が直面する大きな課題の1つです。 本稿では,コールドスタートユーザとウォームアップユーザをそれぞれモデル化する専門家モデルに基づいて,コールド&ウォームネットを提案する。 提案モデルはまた,産業用ショートビデオプラットフォーム上に展開され,アプリドウェル時間とユーザ保持率の大幅な向上を実現している。
  論文  参考訳（メタデータ） (2023-09-27T13:31:43Z)
• 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)
• Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
  コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。 MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
  論文  参考訳（メタデータ） (2021-10-18T08:11:24Z)
• A Semi-Personalized System for User Cold Start Recommendation on Music Streaming Apps [1.6050172226234583]
  本稿では,音楽ストリーミングサービスDeezerに最近導入したシステムについて述べる。 このソリューションは、ディープニューラルネットワークアーキテクチャに基づいた半個人化されたレコメンデーション戦略を活用する。 本稿では,Deezerにおけるコールドスタートユーザの今後の音楽嗜好を予測する上で,このシステムの実用的影響と有効性について概説する。
  論文  参考訳（メタデータ） (2021-06-07T17:35:44Z)
• A Cooperative Memory Network for Personalized Task-oriented Dialogue Systems with Incomplete User Profiles [55.951126447217526]
  ユーザプロファイルの完成を前提とせず,タスク指向対話システムについて検討する。 ユーザプロファイルを徐々に強化する新しいメカニズムを持つ協調記憶ネットワーク(CoMemNN)を提案する。 CoMemNNは、ユーザープロファイルを効果的に強化することができ、応答選択精度の点で3.6%の改善につながります。
  論文  参考訳（メタデータ） (2021-02-16T18:05:54Z)
• Personalized Adaptive Meta Learning for Cold-start User Preference Prediction [46.65783845757707]
  パーソナライズされたユーザーの嗜好予測における共通の課題は、コールドスタート問題である。 メジャーユーザとマイナーユーザの両方を考慮するために,新たなパーソナライズ型適応型メタラーニング手法を提案する。 本手法は, マイノリティとメジャーユーザの両方に対して, 最先端の手法を劇的に向上させる。
  論文  参考訳（メタデータ） (2020-12-22T05:48:08Z)
• ColdGAN: Resolving Cold Start User Recommendation by using Generative Adversarial Networks [0.1529342790344802]
  我々は、この問題を解決するためにサイド情報を使用しない、エンドツーエンドのGANベースモデルであるColdGANを提案する。 提案手法は,最先端のレコメンデータに比べて性能が大幅に向上する。
  論文  参考訳（メタデータ） (2020-11-25T08:10:35Z)
• The use of Recommender Systems in web technology and an in-depth analysis of Cold State problem [0.0]
  レコメンデーターシステムは、ユーザーにとって好ましくないアイテムを優先順位付けするためのパーソナライズされたビューを提供する。 彼らは長年にわたり、機械学習やデータマイニングを含む人工知能技術で発展してきた。 本稿では,このようなコールドスタート問題に,いくつかの手法と課題で対処することを目的とする。
  論文  参考訳（メタデータ） (2020-09-10T11:32:59Z)
• Seamlessly Unifying Attributes and Items: Conversational Recommendation for Cold-Start Users [111.28351584726092]
  コールドスタートユーザに対しては,属性を問うと同時に,ユーザに対して対話的に商品を推薦する,対話型レコメンデーションを提案する。 会話型トンプソンサンプリング(ConTS)モデルでは,最大報酬の腕を選択することで,対話型レコメンデーションにおけるすべての質問を一意に解決する。
  論文  参考訳（メタデータ） (2020-05-23T08:56:37Z)
• Joint Training Capsule Network for Cold Start Recommendation [64.35879555545749]
  本稿では,コールドスタート推薦タスクのための新しいニューラルネットワーク,ジョイントトレーニングカプセルネットワーク(JTCN)を提案する。 低レベルのインタラクション履歴から高レベルのユーザ嗜好を集約するために、注意深いカプセル層を提案する。 2つの公開データセットの実験では、提案モデルの有効性が示されている。
  論文  参考訳（メタデータ） (2020-05-23T04:27:38Z)

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。