論文の概要: Using Social Media Background to Improve Cold-start Recommendation Deep Models

• arxiv url: http://arxiv.org/abs/2106.02256v1
• Date: Fri, 4 Jun 2021 04:46:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-08 05:19:39.872568
• Title: Using Social Media Background to Improve Cold-start Recommendation Deep Models
• Title（参考訳）: ソーシャルメディアの背景を利用して冷間開始勧告の深部モデルを改善する
• Authors: Yihong Zhang, Takuya Maekawa, and Takahiro Hara
• Abstract要約: 本稿では,ソーシャルメディアの背景を余分な文脈情報として利用してレコメンデーションモデルを改善することができるかどうかを検討する。 既存のディープニューラルネットワークモデルに基づいて,ソーシャルメディアの背景を埋め込みとして表現する方法を提案する。 その結果,既存のモデルとソーシャルメディアの背景を融合させる手法は,一般的にレコメンデーション性能を向上させることが示唆された。
• 参考スコア（独自算出の注目度）: 8.444156978118087
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recommender systems, a cold-start problem occurs when there is no past interaction record associated with the user or item. Typical solutions to the cold-start problem make use of contextual information, such as user demographic attributes or product descriptions. A group of works have shown that social media background can help predicting temporal phenomenons such as product sales and stock price movements. In this work, our goal is to investigate whether social media background can be used as extra contextual information to improve recommendation models. Based on an existing deep neural network model, we proposed a method to represent temporal social media background as embeddings and fuse them as an extra component in the model. We conduct experimental evaluations on a real-world e-commerce dataset and a Twitter dataset. The results show that our method of fusing social media background with the existing model does generally improve recommendation performance. In some cases the recommendation accuracy measured by hit-rate@K doubles after fusing with social media background. Our findings can be beneficial for future recommender system designs that consider complex temporal information representing social interests.
• Abstract（参考訳）: レコメンデータシステムでは、ユーザやアイテムに関連する過去のインタラクションレコードがない場合に、コールドスタートの問題が発生する。 コールドスタート問題の典型的なソリューションは、ユーザ人口統計属性や製品説明といったコンテキスト情報を利用する。 ある研究グループが、ソーシャルメディアの背景が、製品販売や株価変動などの一時的な現象を予測するのに役立つことを示した。 本研究の目的は,ソーシャルメディアの背景を文脈情報として活用し,レコメンデーションモデルを改善するかを検討することである。 既存の深層ニューラルネットワークモデルに基づいて,時間的ソーシャルメディアの背景を埋め込みとして表現し,それをモデル内の追加コンポーネントとして融合する手法を提案した。 実世界のeコマースデータセットとTwitterデータセットを実験的に評価する。 その結果,既存のモデルとソーシャルメディアの背景を融合させることで,推薦性能が向上することが示唆された。 hit-rate@kで測定された推奨精度は、ソーシャルメディアの背景をいじった後に2倍になる場合もある。 本研究は,社会的関心を表わす複雑な時間情報を考慮した将来のレコメンダシステム設計に有益である。

関連論文リスト

• RecDiff: Diffusion Model for Social Recommendation [14.514770044236375]
  リコメンデーションのための新しい拡散型ソーシャルデノベーションフレームワーク(RecDiff)を提案する。 マルチステップノイズ拡散と除去を行うことにより、RecDiffは、符号化されたユーザ表現からノイズを識別および除去する堅牢な能力を有する。 その結果, 推薦精度, 訓練効率, 聴覚効果の面で優位性を示した。
  論文  参考訳（メタデータ） (2024-06-01T10:20:52Z)
• Balancing User Preferences by Social Networks: A Condition-Guided Social Recommendation Model for Mitigating Popularity Bias [64.73474454254105]
  ソーシャルレコメンデーションモデルは、ユーザに対してユニークなパーソナライズされたレコメンデーション結果を提供するために、ソーシャルインタラクションをデザインに織り込む。 既存のソーシャルレコメンデーションモデルは、人気バイアスや社会的情報の冗長性の問題に対処できない。 本稿では,モデルの人気バイアスを軽減するための条件付きソーシャルレコメンデーションモデル(CGSoRec)を提案する。
  論文  参考訳（メタデータ） (2024-05-27T02:45:01Z)
• A Social-aware Gaussian Pre-trained Model for Effective Cold-start Recommendation [25.850274659792305]
  グラフニューラルネットワーク(GNN)の事前学習段階におけるユーザ関係とインタラクションデータを符号化する新しい推薦モデルであるSGP(Social-Aware Gaussian Pre-trained Model)を提案する。 NDCG@10では,3つの公開データセットに対する実験の結果,SGPモデルは16の競争ベースラインと比較して,最大7.7%の精度で最高のベースラインを達成できた。 さらに,SGPは,特にユーザが友人の提案によってシステムに新規に登録する場合に,コールドスタート問題を効果的に軽減できることを示す。
  論文  参考訳（メタデータ） (2023-11-27T13:04:33Z)
• Decoding the Silent Majority: Inducing Belief Augmented Social Graph with Large Language Model for Response Forecasting [74.68371461260946]
  SocialSenseは、既存のソーシャルネットワーク上に信念中心のグラフを誘導するフレームワークであり、グラフベースの伝播によって社会的ダイナミクスを捉える。 本手法は,ゼロショット設定と教師あり設定の両方に対する実験的な評価において,既存の最先端技術を超えている。
  論文  参考訳（メタデータ） (2023-10-20T06:17:02Z)
• Could Small Language Models Serve as Recommenders? Towards Data-centric Cold-start Recommendations [38.91330250981614]
  本稿では,言語モデルの文脈内学習に基づくシンプルだが効果的なアプローチであるPromptRecを提案する。 本稿では,データ中心パイプラインを用いたレコメンデータシステムのための小型言語モデルを提案する。 私たちの知る限りでは、システムコールドスタートレコメンデーション問題に取り組む最初の研究である。
  論文  参考訳（メタデータ） (2023-06-29T18:50:12Z)
• Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction [59.221668173521884]
  本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。 エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
  論文  参考訳（メタデータ） (2022-04-18T09:25:06Z)
• Federated Social Recommendation with Graph Neural Network [69.36135187771929]
  本稿では,ソーシャル情報とユーザ・イテムの相互作用を融合させることにより,ソーシャル・レコメンデーションの問題であるソーシャル・リコメンデーションの緩和を提案する。 我々は textbfGraph Neural Network (FeSoG) を用いた textbfFedrated textbfSocial 推薦フレームワークを考案した。
  論文  参考訳（メタデータ） (2021-11-21T09:41:39Z)
• 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)
• Dual Side Deep Context-aware Modulation for Social Recommendation [50.59008227281762]
  社会的関係と協調関係をモデル化する新しいグラフニューラルネットワークを提案する。 高次関係の上に、友人の情報とアイテムのアトラクションを捉えるために、双方向のコンテキスト認識変調を導入する。
  論文  参考訳（メタデータ） (2021-03-16T11:08:30Z)

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。