論文の概要: An Overview of Recommender Systems and Machine Learning in Feature Modeling and Configuration

• arxiv url: http://arxiv.org/abs/2102.06634v1
• Date: Fri, 12 Feb 2021 17:21:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-15 13:02:54.942713
• Title: An Overview of Recommender Systems and Machine Learning in Feature Modeling and Configuration
• Title（参考訳）: 特徴モデリングと構成におけるレコメンダシステムと機械学習の概要
• Authors: Alexander Felfernig and Viet-Man Le and Andrei Popescu and Mathias Uta and Thi Ngoc Trang Tran and M\"usl\"uum Atas
• Abstract要約: レコメンダーシステムおよび機械学習技術の適用に関連する潜在的な新しい研究ラインの概要を説明します。 本論文では,レコメンダーシステムと機械学習の応用例を示し,今後の研究課題について考察する。
• 参考スコア（独自算出の注目度）: 55.67505546330206
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender systems support decisions in various domains ranging from simple items such as books and movies to more complex items such as financial services, telecommunication equipment, and software systems. In this context, recommendations are determined, for example, on the basis of analyzing the preferences of similar users. In contrast to simple items which can be enumerated in an item catalog, complex items have to be represented on the basis of variability models (e.g., feature models) since a complete enumeration of all possible configurations is infeasible and would trigger significant performance issues. In this paper, we give an overview of a potential new line of research which is related to the application of recommender systems and machine learning techniques in feature modeling and configuration. In this context, we give examples of the application of recommender systems and machine learning and discuss future research issues.
• Abstract（参考訳）: レコメンダシステムは、書籍や映画のような単純な項目から金融サービス、通信機器、ソフトウェアシステムといったより複雑な項目まで、さまざまな分野の意思決定をサポートする。 この文脈では、例えば、類似ユーザーの好みを分析することに基づいて、推奨事項が決定される。 項目カタログで列挙できる単純な項目とは対照的に、すべての可能な構成の完全な列挙は実行不可能であり、重要なパフォーマンス問題を引き起こすため、複雑な項目は可変モデル(例えば特徴モデル)に基づいて表現されなければならない。 本稿では、機能モデリングと構成におけるレコメンダーシステムおよび機械学習技術の適用に関連する潜在的な新しい研究ラインの概要を示す。 本稿では,レコメンダシステムと機械学習の応用例を示し,今後の研究課題について考察する。

関連論文リスト

• A tutorial on learning from preferences and choices with Gaussian Processes [0.7234862895932991]
  このチュートリアルは、既存の文献の特定のギャップに対処する新しいGPベースのモデルを導入しながら、確立された研究の上に構築されている。 このフレームワークは、ランダムなユーティリティモデル、識別の限界、およびオブジェクトとラベルの両方に矛盾するユーティリティを持つシナリオを含む嗜好学習モデルの構築を可能にする。
  論文  参考訳（メタデータ） (2024-03-18T13:40:48Z)
• Ada-Retrieval: An Adaptive Multi-Round Retrieval Paradigm for Sequential Recommendations [50.03560306423678]
  本稿では,レコメンダシステムのための適応型マルチラウンド検索パラダイムであるAda-Retrievalを提案する。 Ada-Retrievalは、ユーザー表現を反復的に洗練し、全項目領域の潜在的な候補をよりよく捉えます。
  論文  参考訳（メタデータ） (2024-01-12T15:26:40Z)
• Embedding in Recommender Systems: A Survey [67.67966158305603]
  重要な側面は、ユーザやアイテムIDといった高次元の離散的な特徴を低次元連続ベクトルに包含する技法である。 埋め込み技術の適用は複雑なエンティティ関係を捉え、かなりの研究を刺激している。 この調査では、協調フィルタリング、自己教師付き学習、グラフベースのテクニックなどの埋め込み手法を取り上げている。
  論文  参考訳（メタデータ） (2023-10-28T06:31:06Z)
• Recommender Systems in the Era of Large Language Models (LLMs) [62.0129013439038]
  大規模言語モデル(LLM)は自然言語処理(NLP)と人工知能(AI)の分野に革命をもたらした。 我々は, プレトレーニング, ファインチューニング, プロンプティングなどの様々な側面から, LLM を利用したレコメンデータシステムの総合的なレビューを行う。
  論文  参考訳（メタデータ） (2023-07-05T06:03:40Z)
• Practical Lessons on Optimizing Sponsored Products in eCommerce [6.245623148893172]
  広告システムにおけるスポンサー付製品最適化の問題点として,位置ベースデバイアス,クリック変換マルチタスク学習,および予測クリックスルーレート(pCTR)のキャリブレーションについて検討した。 本稿では,既存の機械学習モデルに構造的変更を加えることなくソリューションを提供する,実践的な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-05T21:46:20Z)
• Multimodal Recommender Systems: A Survey [50.23505070348051]
  マルチモーダル・レコメンダ・システム(MRS)は近年,学界と産業の両方から注目を集めている。 本稿では,主に技術的観点から,MSSモデルに関する総合的な調査を行う。 実装コードなど、調査された論文の詳細にアクセスするために、リポジトリをオープンソース化します。
  論文  参考訳（メタデータ） (2023-02-08T05:12:54Z)
• Management of Machine Learning Lifecycle Artifacts: A Survey [7.106986689736826]
  機械学習ライフサイクルアーティファクトの管理を支援するシステムとプラットフォームの概要を述べる。 体系的なレビューに基づいて、評価基準を導出し、60以上のシステムやプラットフォームの代表的選択に適用する。
  論文  参考訳（メタデータ） (2022-10-21T09:23:12Z)
• Retrieval-Enhanced Machine Learning [110.5237983180089]
  本稿では,いくつかの既存モデルを含む汎用的な検索強化機械学習フレームワークについて述べる。 REMLは情報検索の慣例に挑戦し、最適化を含む中核領域における新たな進歩の機会を提示している。 REMLリサーチアジェンダは、情報アクセス研究の新しいスタイルの基礎を築き、機械学習と人工知能の進歩への道を開く。
  論文  参考訳（メタデータ） (2022-05-02T21:42:45Z)
• Applying Machine Learning in Self-Adaptive Systems: A Systematic Literature Review [15.953995937484176]
  現在、自己適応システムにおける機械学習の使用に関する体系的な概要はない。 我々は、従来のモニター・アナライズ・プラン・エクユートフィードバックループ(MAPE)に基づく自己適応システムに焦点を当てる。 研究の質問は、自己適応システムにおける機械学習の使用を動機づける問題、自己適応における学習の重要なエンジニアリング側面、オープンな課題に焦点を当てている。
  論文  参考訳（メタデータ） (2021-03-06T13:45:59Z)

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。