Fugu-MT 論文翻訳(概要): Group Recommendation Techniques for Feature Modeling and Configuration

論文の概要: Group Recommendation Techniques for Feature Modeling and Configuration

arxiv url: http://arxiv.org/abs/2104.06054v1
Date: Tue, 13 Apr 2021 09:34:27 GMT
ステータス: 処理完了
システム内更新日: 2021-04-14 13:32:08.907576
Title: Group Recommendation Techniques for Feature Modeling and Configuration
Title（参考訳）: 特徴モデリングと構成のためのグループ勧告手法
Authors: Viet-Man Le
Abstract要約: 本研究は,機能モデリングと構成のためのグループレコメンデーション手法を提案する。機能モデルのナビゲーションサポート、グループメンバの満足度、コンフリクト解決に関する問題に対処する。
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 large-scale feature models, feature modeling and configuration processes are highly expected to be done by a group of stakeholders. In this context, recommendation techniques can increase the efficiency of feature-model design and find optimal configurations for groups of stakeholders. Existing studies show plenty of issues concerning feature model navigation support, group members' satisfaction, and conflict resolution. This study proposes group recommendation techniques for feature modeling and configuration on the basis of addressing the mentioned issues.
Abstract（参考訳）: 大規模な機能モデルでは、機能モデリングと構成プロセスが利害関係者のグループによって行われることが期待されます。この文脈では、レコメンデーション技術は機能モデル設計の効率を高め、利害関係者のグループのための最適な構成を見つけることができる。既存の研究では、機能モデルナビゲーションサポート、グループメンバーの満足度、コンフリクト解決に関する多くの問題が示されている。本研究では,上記の課題に対処する上で,特徴モデリングと構成のためのグループレコメンデーション手法を提案する。

関連論文リスト

A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
論文参考訳（メタデータ） (2024-12-18T14:11:15Z)
A Collaborative Ensemble Framework for CTR Prediction [73.59868761656317]
我々は、複数の異なるモデルを活用するための新しいフレームワーク、CETNet(Collaborative Ensemble Training Network)を提案する。ナイーブなモデルスケーリングとは違って,私たちのアプローチは,共同学習による多様性とコラボレーションを重視しています。当社のフレームワークは,Metaの3つのパブリックデータセットと大規模産業データセットに基づいて検証する。
論文参考訳（メタデータ） (2024-11-20T20:38:56Z)
Towards Automated Model Design on Recommender Systems [21.421326082345136]
重量共有を利用して豊富な解空間を探索する新しいパラダイムを導入する。共同設計の観点からは,2倍FLOPs効率,1.8倍エネルギー効率,1.5倍の性能向上を実現している。
論文参考訳（メタデータ） (2024-11-12T06:03:47Z)
Improving Context-Aware Preference Modeling for Language Models [62.32080105403915]
本稿では、まず、文脈を選択し、選択した文脈に対する嗜好を評価することによって、不特定性を解決する2段階の選好モデリング手法について考察する。我々は、文脈条件付き嗜好データセットと実験に貢献し、文脈特化選好を評価する言語モデルの能力について検討する。
論文参考訳（メタデータ） (2024-07-20T16:05:17Z)
A Model-Agnostic Framework for Recommendation via Interest-aware Item Embeddings [4.989653738257287]
Interest-Aware Capsule Network (IaCN)は、関心指向のアイテム表現を直接学習するモデルに依存しないフレームワークである。 IaCNは補助的なタスクとして機能し、アイテムベースと興味ベースの両方の表現の合同学習を可能にする。提案手法をベンチマークデータセットで評価し、異なるディープニューラルネットワークを含むさまざまなシナリオを探索する。
論文参考訳（メタデータ） (2023-08-17T22:40:59Z)
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)
Dependency Structure Search Bayesian Optimization for Decision Making Models [29.95525433889418]
本稿では,役割の概念を通じてエージェント相互作用のダイナミクスをモデル化する,コンパクトな多層アーキテクチャを提案する。不正な報奨や軽微な報奨に強い経験的結果を示した。
論文参考訳（メタデータ） (2023-08-01T15:56:24Z)
Graph Neural Netwrok with Interaction Pattern for Group Recommendation [1.066048003460524]
GIP4GRモデル(グループ推薦のための相互作用パターン付きグラフニューラルネットワーク)を提案する。具体的には,グラフのトポロジ的構造におけるグループ・ユーザ間相互作用を表現するために,強力な表現能力を持つグラフニューラルネットワークフレームワークを用いた。 2つの実世界のデータセットで多くの実験を行い、モデルの優れた性能を実証した。
論文参考訳（メタデータ） (2021-09-21T13:42:46Z)
A Survey on Neural Recommendation: From Collaborative Filtering to Content and Context Enriched Recommendation [70.69134448863483]
レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
論文参考訳（メタデータ） (2021-04-27T08:03:52Z)
Model Complexity of Deep Learning: A Survey [79.20117679251766]
深層学習におけるモデル複雑性に関する最新の研究を体系的に概観します。本稿では,これら2つのカテゴリに関する既存研究について,モデルフレームワーク,モデルサイズ,最適化プロセス,データ複雑性の4つの重要な要因について概説する。
論文参考訳（メタデータ） (2021-03-08T22:39:32Z)
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)

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。