論文の概要: History-Augmented Collaborative Filtering for Financial Recommendations

• arxiv url: http://arxiv.org/abs/2102.13503v1
• Date: Fri, 26 Feb 2021 14:24:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-01 13:58:11.357332
• Title: History-Augmented Collaborative Filtering for Financial Recommendations
• Title（参考訳）: ファイナンシャルレコメンデーションのための履歴強化協調フィルタリング
• Authors: Baptiste Barreau, Laurent Carlier
• Abstract要約: 本稿では,ユーザ間インタラクションの時間的文脈をキャプチャする新しい協調フィルタリングアルゴリズムを提案する。 このアルゴリズムは、ユーザとアイテムの動作の非定常性に対処するカスタムニューラルネットワークアーキテクチャを使用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In many businesses, and particularly in finance, the behavior of a client might drastically change over time. It is consequently crucial for recommender systems used in such environments to be able to adapt to these changes. In this study, we propose a novel collaborative filtering algorithm that captures the temporal context of a user-item interaction through the users' and items' recent interaction histories to provide dynamic recommendations. The algorithm, designed with issues specific to the financial world in mind, uses a custom neural network architecture that tackles the non-stationarity of users' and items' behaviors. The performance and properties of the algorithm are monitored in a series of experiments on a G10 bond request for quotation proprietary database from BNP Paribas Corporate and Institutional Banking.
• Abstract（参考訳）: 多くの企業、特に金融では、クライアントの行動が時間とともに劇的に変わる可能性があります。 したがって、そのような環境で使用されるレコメンダーシステムがこれらの変更に適応できることは非常に重要です。 本研究では,ユーザとアイテムの相互作用履歴を通じてユーザとアイテムの相互作用の時間的コンテキストをキャプチャし,動的に推奨する新たな協調フィルタリングアルゴリズムを提案する。 このアルゴリズムは金融業界を念頭に置いて設計されたもので、ユーザーとアイテムの動作の非定常性に取り組むカスタムニューラルネットワークアーキテクチャを使用している。 アルゴリズムの性能と特性は、BNP Paribas Corporate と Institutional Banking のプロプライエタリデータベースを引用するための G10 結合要求に関する一連の実験で監視される。

関連論文リスト

• Quantifying User Coherence: A Unified Framework for Cross-Domain Recommendation Analysis [69.37718774071793]
  本稿では,レコメンデーションシステムを理解するための新しい情報理論手法を提案する。 9つのデータセットで7つのレコメンデーションアルゴリズムを評価し、測定値と標準的なパフォーマンス指標の関係を明らかにする。
  論文  参考訳（メタデータ） (2024-10-03T13:02:07Z)
• Personalized Federated Collaborative Filtering: A Variational AutoEncoder Approach [49.63614966954833]
  Federated Collaborative Filtering (FedCF)は、プライバシを保護する新しいレコメンデーションフレームワークの開発に焦点を当てた新興分野である。 本稿では,ユーザのパーソナライズされた情報を潜在変数とニューラルモデルに同時に保存することで,新たなパーソナライズされたFedCF手法を提案する。 提案フレームワークを効果的に学習するために,ユーザインタラクションベクトル再構成と欠落した値予測を統合することで,特殊変分オートエンコーダ(VAE)タスクとして問題をモデル化する。
  論文  参考訳（メタデータ） (2024-08-16T05:49:14Z)
• Adaptive Collaborative Filtering with Personalized Time Decay Functions for Financial Product Recommendation [14.783829037950984]
  古典的なレコメンデータシステムは、歴史的データが定常的であり、ユーザの好みの動的な性質を説明できないとしばしば仮定する。 本稿では,遠隔クライアント-製品間相互作用を適応的に解消できる時間依存協調フィルタリングアルゴリズムを提案する。 当社のアプローチは、金融データの非定常性に対処し、信頼できるレコメンデーションを生成するように設計されている。
  論文  参考訳（メタデータ） (2023-08-01T14:27:54Z)
• Empowering Next POI Recommendation with Multi-Relational Modeling [27.27372864066066]
  位置情報ベースのソーシャルネットワーク(LBSN)は、個人レベルの位置情報関連の大規模活動と体験を提供する。 次の関心のポイント(POI)レコメンデーションは、LBSNにおける最も重要なタスクの1つである。 マルチネットワーク表現学習モジュールとの異種関係を効果的に活用する新しいフレームワークMEMOを提案する。
  論文  参考訳（メタデータ） (2022-04-24T21:51:29Z)
• Broad Recommender System: An Efficient Nonlinear Collaborative Filtering Approach [56.12815715932561]
  我々はBroad Collaborative Filtering (BroadCF)と呼ばれる新しい広帯域リコメンデータシステムを提案する。 深層ニューラルネットワーク(DNN)の代わりに、ユーザとアイテム間の複雑な非線形関係を学習するためのマッピング機能として、Broad Learning System(BLS)が使用されている。 7つのベンチマークデータセットで実施された大規模な実験により、提案したBroadCFアルゴリズムの有効性が確認された。
  論文  参考訳（メタデータ） (2022-04-20T01:25:08Z)
• Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
  本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-08T09:44:00Z)
• Relational Graph Neural Networks for Fraud Detection in a Super-App environment [53.561797148529664]
  スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。 我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。 以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
  論文  参考訳（メタデータ） (2021-07-29T00:02:06Z)
• Learning User Preferences in Non-Stationary Environments [42.785926822853746]
  オンラインノンステーショナリーレコメンデーションシステムのための新しいモデルを紹介します。 好みが変化しない場合でも,我々のアルゴリズムが他の静的アルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-01-29T10:26:16Z)
• Dynamic Graph Collaborative Filtering [64.87765663208927]
  動的レコメンデーションは,逐次データに基づくリアルタイム予測を提供するレコメンデータシステムにとって不可欠である。 本稿では、動的グラフを利用して協調関係とシーケンシャル関係をキャプチャする新しいフレームワーク、Dynamic Graph Collaborative Filtering (DGCF)を提案する。 提案手法は, 動的協調情報の統合の有効性を示すため, 動作繰り返しの少ないデータセットでは高い性能を実現する。
  論文  参考訳（メタデータ） (2021-01-08T04:16:24Z)
• Interest-Behaviour Multiplicative Network for Resource-limited Recommendation [38.960523686896636]
  本稿では,ユーザとアイテム間の動的接続に基づいて,ユーザの今後のインタラクションを予測するための利害関係乗算ネットワークを提案する。 組込みカートランザクションデータセットとTmallデータセットで性能を検証し、実験結果によりフレームワークの有効性を検証した。
  論文  参考訳（メタデータ） (2020-09-24T15:11:13Z)

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。