論文の概要: Automatic Collection Creation and Recommendation

• arxiv url: http://arxiv.org/abs/2105.01004v1
• Date: Mon, 3 May 2021 16:51:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-04 13:39:44.757388
• Title: Automatic Collection Creation and Recommendation
• Title（参考訳）: 自動コレクション作成とレコメンデーション
• Authors: Sanidhya Singal, Piyush Singh, Manjeet Dahiya
• Abstract要約: 本稿では,ユーザレベルで自動的にアイテムのコレクションを作成し,推薦できるコレクションレコメンダシステムを提案する。 提案システムは,項目推薦システムで学習したユーザ・イテム表現に基づいて構築される。 アイテムよりもコレクションを推奨する場合、レコメンデーション駆動の消費は2.3倍増加しています。
• 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: We present a collection recommender system that can automatically create and recommend collections of items at a user level. Unlike regular recommender systems, which output top-N relevant items, a collection recommender system outputs collections of items such that the items in the collections are relevant to a user, and the items within a collection follow a specific theme. Our system builds on top of the user-item representations learnt by item recommender systems. We employ dimensionality reduction and clustering techniques along with intuitive heuristics to create collections with their ratings and titles. We test these ideas in a real-world setting of music recommendation, within a popular music streaming service. We find that there is a 2.3x increase in recommendation-driven consumption when recommending collections over items. Further, it results in effective utilization of real estate and leads to recommending a more and diverse set of items. To our knowledge, these are first of its kind experiments at such a large scale.
• Abstract（参考訳）: 本稿では,ユーザレベルで自動的にアイテムのコレクションを作成し,推薦できるコレクションレコメンダシステムを提案する。 トップN関連アイテムを出力する通常のレコメンデータシステムとは異なり、コレクションレコメンデータシステムは、コレクション内のアイテムがユーザに関連するようなアイテムのコレクションを出力し、コレクション内のアイテムは特定のテーマに従う。 提案システムは,項目推薦システムで学習したユーザ・イテム表現に基づいて構築される。 我々は次元削減とクラスタリング技術と直感的なヒューリスティックを用いて、評価とタイトルによるコレクションを作成します。 我々はこれらのアイデアを、ポピュラーな音楽ストリーミングサービスの中で、実際の音楽レコメンデーションの設定でテストする。 アイテムよりもコレクションを推奨する場合、レコメンデーション駆動の消費は2.3倍増加しています。 さらに、これは不動産の有効利用をもたらし、より多様なアイテムのセットを推奨する。 われわれの知る限り、この種の実験はこの種の実験としては初めてである。

関連論文リスト

• Reindex-Then-Adapt: Improving Large Language Models for Conversational Recommendation [50.19602159938368]
  大規模言語モデル(LLM)は、会話レコメンデーションシステムに革命をもたらしている。 本稿では,マルチトークンのタイトルを単一トークンに変換するReindex-Then-Adapt(RTA)フレームワークを提案する。 本フレームワークでは,3つの対話推薦データセットの精度向上を実証する。
  論文  参考訳（メタデータ） (2024-05-20T15:37:55Z)
• 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)
• RecRec: Algorithmic Recourse for Recommender Systems [41.97186998947909]
  特定の予測やレコメンデーションを行う上で、すべての利害関係者がモデルの理論的根拠を理解することが不可欠です。 これは、リコメンデーションシステムに依存するコンテンツプロバイダにとって特に当てはまります。 本稿では,コンテンツ提供者を対象としたレコメンデーションシステムのためのレコメンデーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-28T22:26:50Z)
• Beyond Single Items: Exploring User Preferences in Item Sets with the Conversational Playlist Curation Dataset [20.42354123651454]
  私たちはこのタスクを会話アイテムセットキュレーションと呼びます。 本稿では,会話環境におけるアイテムセットのリアルな嗜好を効率的に収集する新しいデータ収集手法を提案する。 我々は、それが他の方法では表現されない好みを表現することにつながることを示している。
  論文  参考訳（メタデータ） (2023-03-13T00:39:04Z)
• Talk the Walk: Synthetic Data Generation for Conversational Music Recommendation [62.019437228000776]
  本稿では,広く利用可能なアイテムコレクションにおいて,符号化された専門知識を活用することで,現実的な高品質な会話データを生成するTalkWalkを提案する。 人間の収集したデータセットで100万以上の多様な会話を生成します。
  論文  参考訳（メタデータ） (2023-01-27T01:54:16Z)
• Sequential Modeling with Multiple Attributes for Watchlist Recommendation in E-Commerce [67.6615871959902]
  電子商取引におけるウォッチリスト機能について検討し、新しいウォッチリスト推薦タスクを導入する。 私たちのゴールは、ユーザーが次にクリックするアイテムを予測することで、ユーザーが次に注意を払うべきウォッチリスト項目を優先順位付けすることです。 提案するレコメンデーションモデルであるTrans2DはTransformerアーキテクチャ上に構築されている。
  論文  参考訳（メタデータ） (2021-10-18T10:02:15Z)
• Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback based Recommendation [59.183016033308014]
  本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。 提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
  論文  参考訳（メタデータ） (2021-05-16T08:06:22Z)
• Item Recommendation from Implicit Feedback [8.877053863402484]
  この記事では、アイテムの推奨、そのユニークな特性、およびいくつかの一般的なアプローチの概要を紹介します。 本体は学習アルゴリズムを扱い、サンプリングベースのアルゴリズムを一般推薦者に提示する。 検索タスクにおけるアイテムレコメンダの応用について検討する。
  論文  参考訳（メタデータ） (2021-01-21T18:50:21Z)
• Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
  我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。 我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。 私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
  論文  参考訳（メタデータ） (2020-05-19T10:18:43Z)

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。