論文の概要: A Survey on Neural Recommendation: From Collaborative Filtering to Content and Context Enriched Recommendation

• arxiv url: http://arxiv.org/abs/2104.13030v1
• Date: Tue, 27 Apr 2021 08:03:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-28 21:22:55.336310
• Title: A Survey on Neural Recommendation: From Collaborative Filtering to Content and Context Enriched Recommendation
• Title（参考訳）: ニューラル・リコメンデーションに関する調査 : 協調フィルタリングからコンテンツ・コンテクスト強化レコメンデーションまで
• Authors: Le Wu, Xiangnan He, Xiang Wang, Kun Zhang, Meng Wang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 70.69134448863483
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Influenced by the stunning success of deep learning in computer vision and language understanding, research in recommendation has shifted to inventing new recommender models based on neural networks. In recent years, we have witnessed significant progress in developing neural recommender models, which generalize and surpass traditional recommender models owing to the strong representation power of neural networks. In this survey paper, we conduct a systematic review on neural recommender models, aiming to summarize the field to facilitate future progress. Distinct from existing surveys that categorize existing methods based on the taxonomy of deep learning techniques, we instead summarize the field from the perspective of recommendation modeling, which could be more instructive to researchers and practitioners working on recommender systems. Specifically, we divide the work into three types based on the data they used for recommendation modeling: 1) collaborative filtering models, which leverage the key source of user-item interaction data; 2) content enriched models, which additionally utilize the side information associated with users and items, like user profile and item knowledge graph; and 3) context enriched models, which account for the contextual information associated with an interaction, such as time, location, and the past interactions. After reviewing representative works for each type, we finally discuss some promising directions in this field, including benchmarking recommender systems, graph reasoning based recommendation models, and explainable and fair recommendations for social good.
• Abstract（参考訳）: コンピュータビジョンと言語理解におけるディープラーニングの驚くべき成功の影響を受け、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いた新しいレコメンデーションモデルの開発にシフトした。 近年,ニューラルネットワークの強力な表現力により,従来のレコメンデータモデルを一般化し,超越したニューラルレコメンデータモデルの開発が著しい進展を見せている。 本稿では,神経リコメンデータモデルに関する体系的レビューを行い,今後の進歩を促進するためにこの分野をまとめる。 深層学習技術の分類に基づく既存手法を分類する既存の調査とは違い,提案手法は,推薦システムに携わる研究者や実践者にとってより指導力のあるレコメンデーションモデリングの観点から,その分野を要約する。 Specifically, we divide the work into three types based on the data they used for recommendation modeling: 1) collaborative filtering models, which leverage the key source of user-item interaction data; 2) content enriched models, which additionally utilize the side information associated with users and items, like user profile and item knowledge graph; and 3) context enriched models, which account for the contextual information associated with an interaction, such as time, location, and the past interactions. 各タイプの代表的成果をレビューした後、最後にこの分野の有望な方向性について論じる。ベンチマークレコメンデーションシステム、グラフ推論に基づくレコメンデーションモデル、社会的利益のための説明可能かつ公正なレコメンデーションなどだ。

関連論文リスト

• A Survey of Latent Factor Models in Recommender Systems [0.0]
  本調査は,リコメンデータシステムにおける潜在因子モデルについて系統的にレビューする。 文献は、学習データ、モデルアーキテクチャ、学習戦略、最適化技術をカバーする構造化されたフレームワークを通して検証される。
  論文  参考訳（メタデータ） (2024-05-28T11:28:59Z)
• A Review of Modern Recommender Systems Using Generative Models (Gen-RecSys) [57.30228361181045]
  この調査は、ジェネレーティブモデル(Gen-RecSys)を用いたレコメンデーションシステムにおける重要な進歩を結びつける。 対話駆動生成モデル、自然言語レコメンデーションのための大規模言語モデル(LLM)とテキストデータの使用、RSにおける画像やビデオの生成と処理のためのマルチモーダルモデルの統合。 我々の研究は、Gen-RecSysの影響と害を評価するために必要なパラダイムを強調し、オープンな課題を特定します。
  論文  参考訳（メタデータ） (2024-03-31T06:57:57Z)
• Large Language Models as Zero-Shot Conversational Recommenders [52.57230221644014]
  ゼロショット設定における代表的大言語モデルを用いた会話推薦タスクに関する実証的研究を行った。 我々は、人気のあるディスカッションサイトをスクラップして、レコメンデーション関連の会話のデータセットを構築した。 我々は、微調整なしでも、大規模な言語モデルは既存の微調整された会話レコメンデーションモデルより優れていることを観察する。
  論文  参考訳（メタデータ） (2023-08-19T15:29:45Z)
• Impression-Aware Recommender Systems [57.38537491535016]
  新たなデータソースは、レコメンデーションシステムの品質を改善する新しい機会をもたらす。 研究者はインプレッションを使ってユーザーの好みを洗練させ、推奨システム研究の現在の制限を克服することができる。 本稿ではインプレッションを用いたレコメンデーションシステムに関する体系的な文献レビューを行う。
  論文  参考訳（メタデータ） (2023-08-15T16:16:02Z)
• When Newer is Not Better: Does Deep Learning Really Benefit Recommendation From Implicit Feedback? [34.04060791716633]
  最近のニューラルレコメンデーションモデルと従来のレコメンデーションモデルを、暗黙のデータからトップnのレコメンデーションで比較する。 我々の研究は、推奨されるニューラルモデルの相対的な利点とデメリットを照らす。
  論文  参考訳（メタデータ） (2023-05-02T22:03:49Z)
• Ripple Knowledge Graph Convolutional Networks For Recommendation Systems [10.472910821647703]
  本稿では,各ユーザの好みを動的に分析し,適切な項目を推薦する,RKGCNというエンド・ツー・エンドのディープラーニングモデルを提案する。 アイテム側とユーザ側の知識グラフを組み合わせて表現を強化し、知識グラフにおける豊富な情報の利用を最大化する。
  論文  参考訳（メタデータ） (2023-05-02T01:35:57Z)
• Incorporating Relevance Feedback for Information-Seeking Retrieval using Few-Shot Document Re-Ranking [56.80065604034095]
  我々は,クエリとユーザが関連すると考えるドキュメントとの類似性に基づいて,文書を再参照するkNNアプローチを提案する。 異なる統合戦略を評価するため、既存の4つの情報検索データセットを関連フィードバックシナリオに変換する。
  論文  参考訳（メタデータ） (2022-10-19T16:19:37Z)
• Reinforcement Learning based Path Exploration for Sequential Explainable Recommendation [57.67616822888859]
  強化学習(TMER-RL)を活用した新しい時間的メタパスガイド型説明可能な勧告を提案する。 TMER-RLは, 動的知識グラフ上での動的ユーザ・イテム進化を逐次モデル化するために, 注意機構を持つ連続項目間の強化項目・イテムパスをモデル化する。 2つの実世界のデータセットに対するTMERの大規模な評価は、最近の強いベースラインと比較して最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2021-11-24T04:34:26Z)
• Recommender systems based on graph embedding techniques: A comprehensive review [9.871096870138043]
  本稿では,二部グラフ,一般グラフ,知識グラフの埋め込み手法からのグラフ埋め込みに基づく推薦を体系的に振り返る。 いくつかの代表的なグラフ埋め込みベースのレコメンデーションモデルと、最もよく使われている従来のレコメンデーションモデルを比較すると、従来のモデルは、暗黙のユーザ-イテム相互作用を予測するためにグラフ埋め込みベースのレコメンデーションモデルよりも総合的に優れていることが示される。
  論文  参考訳（メタデータ） (2021-09-20T14:42:39Z)

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。