論文の概要: DeepGroup: Representation Learning for Group Recommendation with
Implicit Feedback
- arxiv url: http://arxiv.org/abs/2103.07597v1
- Date: Sat, 13 Mar 2021 02:05:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-18 06:45:02.079309
- Title: DeepGroup: Representation Learning for Group Recommendation with
Implicit Feedback
- Title（参考訳）: DeepGroup: 暗黙のフィードバックを伴うグループ推薦のための表現学習
- Authors: Sarina Sajadi Ghaemmaghami and Amirali Salehi-Abari
- Abstract要約: 我々は、好みが不明な新しいユーザーグループへの推薦に重点を置いているが、他のグループの決定や選択が与えられている。
一連のグループとその観察された決定を考えると、グループ決定予測は、新しいグループのユーザーの決定を予測することを意図しています。
逆の社会的選択は、観察されたグループ決定に関わるユーザの好みを推測することを目的としています。
- 参考スコア（独自算出の注目度）: 0.5584060970507505
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Group recommender systems facilitate group decision making for a set of
individuals (e.g., a group of friends, a team, a corporation, etc.). Many of
these systems, however, either assume that (i) user preferences can be elicited
(or inferred) and then aggregated into group preferences or (ii) group
preferences are partially observed/elicited. We focus on making recommendations
for a new group of users whose preferences are unknown, but we are given the
decisions/choices of other groups. By formulating this problem as group
recommendation from group implicit feedback, we focus on two of its practical
instances: group decision prediction and reverse social choice. Given a set of
groups and their observed decisions, group decision prediction intends to
predict the decision of a new group of users, whereas reverse social choice
aims to infer the preferences of those users involved in observed group
decisions. These two problems are of interest to not only group recommendation,
but also to personal privacy when the users intend to conceal their personal
preferences but have participated in group decisions. To tackle these two
problems, we propose and study DeepGroup -- a deep learning approach for group
recommendation with group implicit data. We empirically assess the predictive
power of DeepGroup on various real-world datasets, group conditions (e.g.,
homophily or heterophily), and group decision (or voting) rules. Our extensive
experiments not only demonstrate the efficacy of DeepGroup, but also shed light
on the privacy-leakage concerns of some decision making processes.
- Abstract（参考訳）: グループ推薦システムは、個人(例えば、友人のグループ、チーム、企業など)のためのグループ意思決定を促進する。
しかし、これらのシステムの多くは、(i)ユーザーの選好が導かれる(または推論される)ことができると仮定し、グループ選好に集約するか(ii)グループ選好が部分的に観察/導かれるかのどちらかである。
我々は、好みが不明な新しいユーザーグループへの推薦に重点を置いているが、他のグループの決定や選択が与えられている。
この問題をグループ内暗黙的フィードバックからのグループ推薦として定式化することにより,グループ決定予測とリバース・ソーシャル選択の2つの実践例に焦点を当てた。
グループの集合とその観察された決定が与えられた場合、グループ決定予測は、新しいグループのユーザの決定を予測しようとするが、逆に社会的選択は、観察されたグループ決定に関与するユーザの好みを推測することを目的としている。
これら2つの問題は、グループレコメンデーションだけでなく、ユーザが個人の好みを隠すだけでなく、グループ決定に参加した場合の個人のプライバシーにも関心がある。
この2つの問題に取り組むために,deepgroup - グループ暗黙のデータを用いたグループ推薦のためのディープラーニングアプローチを提案する。
様々な実世界のデータセットにおけるdeepgroupの予測能力、グループ条件(例えば、ホモフィリーやヘテロフィリー)、グループ決定(あるいは投票)ルールを実証的に評価する。
DeepGroupの有効性を実証するだけでなく、意思決定プロセスのプライバシー保護に関する懸念にも光を当てています。
関連論文リスト
- GPRec: Bi-level User Modeling for Deep Recommenders [45.38687843911628]
GPRecは学習可能な方法でユーザをグループに分類し、それに対応するグループ埋め込みと整合させる。
個人レベルでは、GPRecはIDのような特徴から個人の好みを識別し、得られた個人表現をグループから独立したものに洗練する。
3つの公開データセット上でのGPRecの厳格なテストでは、推奨品質が大幅に改善されている。
論文 参考訳（メタデータ） (2024-10-28T04:49:05Z) - ComPO: Community Preferences for Language Model Personalization [122.54846260663922]
ComPOは、言語モデルにおける好みの最適化をパーソナライズする手法である。
ComPRedはRedditからコミュニティレベルの好みを持った質問応答データセットです。
論文 参考訳（メタデータ） (2024-10-21T14:02:40Z) - AlignGroup: Learning and Aligning Group Consensus with Member Preferences for Group Recommendation [7.8148534870343225]
グループ活動は、人間の社会において重要な行動であり、グループに対するパーソナライズされたレコメンデーションを提供することをグループレコメンデーションタスクと呼ぶ。
本稿では,グループコンセンサスとグループメンバーの個人選好の両方に着目し,グループ決定を推測するグループ推薦手法であるAlignGroupを提案する。
論文 参考訳（メタデータ） (2024-09-04T10:03:09Z) - Group-Aware Interest Disentangled Dual-Training for Personalized
Recommendation [42.92141160362361]
IGRec (Interest-based Group enhanced Recommendation) を提案する。
公開されている3つのデータセットについて広範な実験を行う。
その結果、IGRecはデータ疎結合問題を効果的に緩和し、興味に基づくグループ表現でレコメンダシステムを強化することができることがわかった。
論文 参考訳（メタデータ） (2023-11-16T05:23:53Z) - Multi-Granularity Attention Model for Group Recommendation [7.764789596492022]
グループレコメンデーションは、共有された興味、好み、特徴に基づいて、ユーザーグループにパーソナライズされたレコメンデーションを提供する。
本稿では、グループメンバーの潜伏傾向を解明し、推薦ノイズを軽減するために、MGAM(Multi-Granularity Attention Model)を提案する。
提案手法は,複数の粒度にわたるグループ推薦ノイズを効果的に低減し,個人の興味を包括的に学習する。
論文 参考訳（メタデータ） (2023-08-08T03:24:44Z) - Towards Group Robustness in the presence of Partial Group Labels [61.33713547766866]
入力サンプルとターゲットラベルの間に 急激な相関関係がある ニューラルネットワークの予測を誤った方向に導く
本稿では,制約セットから最悪のグループ割り当てを最適化するアルゴリズムを提案する。
グループ間で総合的な集計精度を維持しつつ,少数集団のパフォーマンス向上を示す。
論文 参考訳（メタデータ） (2022-01-10T22:04:48Z) - Focus on the Common Good: Group Distributional Robustness Follows [47.62596240492509]
本稿では,多様なグループ間で共有される特徴の学習を明示的に促進する,新しい,シンプルなアルゴリズムを提案する。
グループDROは、最低の正規化損失を持つグループに焦点を当て、代わりに、他のグループでもより良いパフォーマンスを実現するグループに焦点を当てるが、共有/共通機能を学ぶことにつながる可能性がある。
論文 参考訳（メタデータ） (2021-10-06T09:47:41Z) - Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。
本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
論文 参考訳（メタデータ） (2020-10-02T07:11:19Z) - GroupIM: A Mutual Information Maximization Framework for Neural Group
Recommendation [24.677145454396822]
本研究では,歴史的活動が限定的あるいは全くないユーザで構成された短命グループを対象とした項目推薦の課題について検討する。
現存する研究は、活動の歴史がかなりある永続的なグループをターゲットにしているが、短命なグループは歴史的な相互作用を欠いている。
本研究では、同一グループに属するユーザ間の嗜好共分散と、各グループに対する個人の嗜好の文脈的関連性の両方を活用するために、データ駆動型正規化戦略を提案する。
論文 参考訳（メタデータ） (2020-06-05T23:18:19Z)
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。