論文の概要: J-Recs: Principled and Scalable Recommendation Justification

• arxiv url: http://arxiv.org/abs/2011.05928v1
• Date: Wed, 11 Nov 2020 17:37:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 00:44:24.109652
• Title: J-Recs: Principled and Scalable Recommendation Justification
• Title（参考訳）: J-Recs: 原則とスケーラブルな勧告の正当化
• Authors: Namyong Park, Andrey Kan, Christos Faloutsos, Xin Luna Dong
• Abstract要約: 推奨を正当化することは、ユーザの満足度と推奨の説得力を改善することが示されている。 提案手法は,任意の推奨アルゴリズムの出力に適用可能な,ポストホックの正当性を生成する方法である。 J-Recsは、さまざまな種類の製品やユーザデータに基づいて、さまざまな正当化を生成するレコメンデーションモデル非依存の手法である。
• 参考スコア（独自算出の注目度）: 44.629590817692446
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online recommendation is an essential functionality across a variety of services, including e-commerce and video streaming, where items to buy, watch, or read are suggested to users. Justifying recommendations, i.e., explaining why a user might like the recommended item, has been shown to improve user satisfaction and persuasiveness of the recommendation. In this paper, we develop a method for generating post-hoc justifications that can be applied to the output of any recommendation algorithm. Existing post-hoc methods are often limited in providing diverse justifications, as they either use only one of many available types of input data, or rely on the predefined templates. We address these limitations of earlier approaches by developing J-Recs, a method for producing concise and diverse justifications. J-Recs is a recommendation model-agnostic method that generates diverse justifications based on various types of product and user data (e.g., purchase history and product attributes). The challenge of jointly processing multiple types of data is addressed by designing a principled graph-based approach for justification generation. In addition to theoretical analysis, we present an extensive evaluation on synthetic and real-world data. Our results show that J-Recs satisfies desirable properties of justifications, and efficiently produces effective justifications, matching user preferences up to 20% more accurately than baselines.
• Abstract（参考訳）: オンラインレコメンデーション(オンラインレコメンデーション)は、eコマースやビデオストリーミングなど、さまざまなサービスで不可欠な機能である。 推奨項目が好まれる理由を説明することによって,推奨項目の満足度や説得性が向上することが示されている。 本稿では,任意の推薦アルゴリズムの出力に適用可能な,ポストホックの正当性を生成する方法を提案する。 既存のポストホックメソッドは、多くの利用可能な入力データのうちの1つしか使わないか、事前に定義されたテンプレートに依存するため、様々な正当化を提供することで制限されることが多い。 我々は、簡潔で多様な正当化を生み出す方法であるj-recsの開発により、これらの初期のアプローチの限界に対処する。 J-Recsは、さまざまな種類の製品とユーザデータ(例えば、購入履歴と製品属性)に基づいて、さまざまな正当化を生成するレコメンデーションモデル非依存の手法である。 複数のタイプのデータを共同で処理する課題は、正当化生成のための原則付きグラフベースのアプローチを設計することで解決される。 理論的解析に加えて,合成データと実世界のデータについて広範な評価を行う。 以上の結果から, J-Recsは正当性を満足し, 有効正当性を効果的に生成し, ユーザの嗜好を基準値よりも最大20%精度で一致させることがわかった。

関連論文リスト

• Context-aware adaptive personalised recommendation: a meta-hybrid [0.41436032949434404]
  機械学習を用いて最適なアルゴリズムを予測するメタハイブリッドレコメンデータを提案する。 提案モデルに基づいて、どのレコメンデータがユーザに最も正確なレコメンデーションを提供するかを予測できる。
  論文  参考訳（メタデータ） (2024-10-17T09:24:40Z)
• MMGRec: Multimodal Generative Recommendation with Transformer Model [81.61896141495144]
  MMGRecは、マルチモーダルレコメンデーションに生成パラダイムを導入することを目指している。 まず,階層的な量子化手法であるGraph CF-RQVAEを考案し,各項目にRec-IDを割り当てる。 次に、Transformerベースのレコメンデータをトレーニングし、過去のインタラクションシーケンスに基づいて、ユーザが推奨するアイテムのRec-IDを生成する。
  論文  参考訳（メタデータ） (2024-04-25T12:11:27Z)
• Unlocking the Potential of Large Language Models for Explainable Recommendations [55.29843710657637]
  説明ジェネレータを最近登場した大規模言語モデル(LLM)に置き換える影響は、まだ不明である。 本研究では,シンプルで効果的な2段階説明可能なレコメンデーションフレームワークであるLLMXRecを提案する。 いくつかの重要な微調整技術を採用することで、制御可能で流動的な説明が十分に生成できる。
  論文  参考訳（メタデータ） (2023-12-25T09:09:54Z)
• Text Matching Improves Sequential Recommendation by Reducing Popularity Biases [48.272381505993366]
  TASTEは、アイテムの識別子と属性を使用して、アイテムとユーザとイテムのインタラクションを言語化する。 実験の結果,TASTEはシーケンシャルレコメンデーションデータセットにおいて最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-08-27T07:44:33Z)
• Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
  我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。 本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。 我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
  論文  参考訳（メタデータ） (2022-07-04T17:49:25Z)
• Value Retrieval with Arbitrary Queries for Form-like Documents [50.5532781148902]
  フォーム状文書に対する任意のクエリを用いた値検索を提案する。 本手法は,フォームのレイアウトやセマンティクスの理解に基づいて,任意のクエリのターゲット値を予測する。 本稿では,大規模モデル事前学習における文書理解を改善するためのシンプルな文書言語モデリング (simpleDLM) 戦略を提案する。
  論文  参考訳（メタデータ） (2021-12-15T01:12:02Z)
• Utilizing Textual Reviews in Latent Factor Models for Recommender Systems [1.7361353199214251]
  本稿では,テキストレビューに基づく評価モデリング手法とトピックモデリング手法を組み合わせたレコメンデーションアルゴリズムを提案する。 サイズが異なるAmazon.comデータセットを用いてアルゴリズムの性能を評価し,23の製品カテゴリに対応する。
  論文  参考訳（メタデータ） (2021-11-16T15:07:51Z)
• Top-N Recommendation with Counterfactual User Preference Simulation [26.597102553608348]
  ユーザーランキングに基づく好みの学習を目的としたTop-Nレコメンデーションは、長い間、広範囲のアプリケーションにおいて基本的な問題だった。 本稿では,データ不足問題に対処するため,因果推論フレームワーク内での推薦タスクの再構築を提案する。
  論文  参考訳（メタデータ） (2021-09-02T14:28:46Z)
• 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)

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。