論文の概要: Item Recommendation from Implicit Feedback
- arxiv url: http://arxiv.org/abs/2101.08769v1
- Date: Thu, 21 Jan 2021 18:50:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-21 07:47:50.175328
- Title: Item Recommendation from Implicit Feedback
- Title（参考訳）: インシシットフィードバックからの項目推薦
- Authors: Steffen Rendle
- Abstract要約: この記事では、アイテムの推奨、そのユニークな特性、およびいくつかの一般的なアプローチの概要を紹介します。
本体は学習アルゴリズムを扱い、サンプリングベースのアルゴリズムを一般推薦者に提示する。
検索タスクにおけるアイテムレコメンダの応用について検討する。
- 参考スコア（独自算出の注目度）: 8.877053863402484
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The task of item recommendation is to select the best items for a user from a
large catalogue of items. Item recommenders are commonly trained from implicit
feedback which consists of past actions that are positive only. Core challenges
of item recommendation are (1) how to formulate a training objective from
implicit feedback and (2) how to efficiently train models over a large item
catalogue. This article provides an overview of item recommendation, its unique
characteristics and some common approaches. It starts with an introduction to
the problem and discusses different training objectives. The main body deals
with learning algorithms and presents sampling based algorithms for general
recommenders and more efficient algorithms for dot product models. Finally, the
application of item recommenders for retrieval tasks is discussed.
- Abstract（参考訳）: アイテムレコメンデーションのタスクは、大きなアイテムカタログからユーザのために最適なアイテムを選択することである。
アイテムレコメンダは、通常、前向きな過去のアクションからなる暗黙のフィードバックから訓練される。
項目推薦の主な課題は,(1)暗黙のフィードバックからトレーニング対象を定式化し,(2)大規模項目カタログ上でモデルを効率的にトレーニングする方法である。
この記事では、アイテムレコメンデーションの概要、ユニークな特徴、そしていくつかの一般的なアプローチについて説明する。
問題の導入から始まり、異なるトレーニング目標について議論する。
本体は学習アルゴリズムを扱い、一般的な推奨者のためのサンプリングベースのアルゴリズムと、ドット製品モデルのためのより効率的なアルゴリズムを提示する。
最後に,検索タスクに対するアイテムレコメンダの適用について論じる。
関連論文リスト
- Pre-trained Language Model and Knowledge Distillation for Lightweight Sequential Recommendation [51.25461871988366]
本稿では,事前学習言語モデルと知識蒸留に基づく逐次推薦アルゴリズムを提案する。
提案アルゴリズムは,推薦精度を高め,タイムリーな推薦サービスを提供する。
論文 参考訳（メタデータ） (2024-09-23T08:39:07Z) - Optimal Design for Human Preference Elicitation [17.520528548509944]
学習嗜好モデルのための効率的な人選好評価法について検討する。
鍵となる考え方は、最適な情報収集ポリシーを計算するための方法論である最適設計を一般化することである。
提案アルゴリズムは,既存の問合せ問題に対して評価を行うことにより実用的であることを示す。
論文 参考訳（メタデータ） (2024-04-22T06:05:35Z) - RecRec: Algorithmic Recourse for Recommender Systems [41.97186998947909]
特定の予測やレコメンデーションを行う上で、すべての利害関係者がモデルの理論的根拠を理解することが不可欠です。
これは、リコメンデーションシステムに依存するコンテンツプロバイダにとって特に当てはまります。
本稿では,コンテンツ提供者を対象としたレコメンデーションシステムのためのレコメンデーションフレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-28T22:26:50Z) - 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) - Large Language Models are Zero-Shot Rankers for Recommender Systems [76.02500186203929]
本研究では,レコメンダシステムのランキングモデルとして機能する大規模言語モデル(LLM)の能力を検討することを目的とする。
LLMにはゼロショットランキング能力があるが、歴史的相互作用の順序を理解するのに苦労していることを示す。
これらの問題は、特別に設計されたプロンプトとブートストラップ戦略によって緩和可能であることを実証する。
論文 参考訳（メタデータ） (2023-05-15T17:57:39Z) - Zero-shot Item-based Recommendation via Multi-task Product Knowledge
Graph Pre-Training [106.85813323510783]
本稿ではゼロショットアイテムベース勧告(ZSIR)タスクのための新しいパラダイムを提案する。
製品知識グラフ(PKG)のモデルを事前トレーニングして、PLMからアイテム機能を洗練します。
我々は,PKGにおける多型関係,アイテムジェネリック情報と関係のセマンティックな相違,PKGから下流ZSIRタスクへのドメイン差といった,PKG事前学習の課題を3つ挙げる。
論文 参考訳（メタデータ） (2023-05-12T17:38:24Z) - How to Index Item IDs for Recommendation Foundation Models [49.425959632372425]
Recommendation foundation modelは、リコメンデーションタスクを自然言語タスクに変換することで、リコメンデーションのために大きな言語モデル(LLM)を利用する。
過剰に長いテキストや幻覚的なレコメンデーションを生成するのを避けるために、LCM互換のアイテムIDを作成することが不可欠である。
本稿では,シーケンシャルインデックス,協調インデックス,セマンティックインデックス(コンテンツベース)インデックス,ハイブリッドインデックスの4つを提案する。
論文 参考訳（メタデータ） (2023-05-11T05:02:37Z) - Hierarchical Conversational Preference Elicitation with Bandit Feedback [36.507341041113825]
提案システムでは,各ラウンドで推薦するキータームかアイテムのいずれかを選択することができる。
実世界のデータセットを調査・分析し、先行研究と異なり、キーターム報酬は主に代表品の報酬に影響されていることを確認する。
我々は、この観測結果とキータームとアイテム間の階層構造を利用する2つの帯域幅アルゴリズム、Hier-UCBとHier-LinUCBを提案する。
論文 参考訳（メタデータ） (2022-09-06T05:35:24Z) - ELECRec: Training Sequential Recommenders as Discriminators [94.93227906678285]
シーケンシャルレコメンデーションは、しばしば生成タスク、すなわち、ユーザの関心事の次の項目を生成するためにシーケンシャルエンコーダを訓練すると考えられる。
我々は、ジェネレータではなく、識別器としてシーケンシャルレコメンデータを訓練することを提案する。
本手法は,サンプル項目が「現実の」対象項目であるか否かを識別するために識別器を訓練する。
論文 参考訳（メタデータ） (2022-04-05T06:19:45Z) - Batch versus Sequential Active Learning for Recommender Systems [3.7796614675664397]
シーケンシャルモードは、高密度データセットに対して最も正確なレコメンデーションを生成する。
ほとんどのアクティブな学習者にとって、最良の予測器はシーケンシャルモードと組み合わせてFunkSVDであることが判明した。
論文 参考訳（メタデータ） (2022-01-19T12:50:36Z) - Comparative Explanations of Recommendations [33.89230323979306]
本稿では,レコメンデータシステムからランキング項目の相対比較を抽出・再定義するアーキテクチャを提案する。
我々はBLEUに基づく新しい説明品質指標を設計し、抽出・精錬部品のエンドツーエンドトレーニングを指導する。
論文 参考訳（メタデータ） (2021-11-01T02:55:56Z)
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。