論文の概要: PURS: Personalized Unexpected Recommender System for Improving User Satisfaction

• arxiv url: http://arxiv.org/abs/2106.02771v1
• Date: Sat, 5 Jun 2021 01:33:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-14 09:45:00.195031
• Title: PURS: Personalized Unexpected Recommender System for Improving User Satisfaction
• Title（参考訳）: PURS:ユーザ満足度向上のためのパーソナライズされた未予測レコメンダシステム
• Authors: Pan Li, Maofei Que, Zhichao Jiang, Yao Hu and Alexander Tuzhilin
• Abstract要約: 本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。 3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
• 参考スコア（独自算出の注目度）: 76.98616102965023
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Classical recommender system methods typically face the filter bubble problem when users only receive recommendations of their familiar items, making them bored and dissatisfied. To address the filter bubble problem, unexpected recommendations have been proposed to recommend items significantly deviating from user's prior expectations and thus surprising them by presenting "fresh" and previously unexplored items to the users. In this paper, we describe a novel Personalized Unexpected Recommender System (PURS) model that incorporates unexpectedness into the recommendation process by providing multi-cluster modeling of user interests in the latent space and personalized unexpectedness via the self-attention mechanism and via selection of an appropriate unexpected activation function. Extensive offline experiments on three real-world datasets illustrate that the proposed PURS model significantly outperforms the state-of-the-art baseline approaches in terms of both accuracy and unexpectedness measures. In addition, we conduct an online A/B test at a major video platform Alibaba-Youku, where our model achieves over 3\% increase in the average video view per user metric. The proposed model is in the process of being deployed by the company.
• Abstract（参考訳）: 古典的なレコメンダシステム手法は、ユーザーが慣れ親しんだアイテムのレコメンデーションしか受け取らず、退屈で不満な場合にフィルターバブル問題に直面する。 フィルタバブル問題に対処するため,ユーザの事前の期待からかなり逸脱した項目を推薦する,予期せぬ勧告が提案されている。 本稿では,潜在空間におけるユーザ関心のマルチクラスタ・モデリングと,自己認識機構によるパーソナライズされた予期せぬアクティベーション機能の選択によって,予測をレコメンデーションプロセスに組み込んだ新しいパーソナライズされた非予測レコメンダシステム(PURS)モデルについて述べる。 3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが精度と予期せぬ測度の両方で最先端のベースラインアプローチを大幅に上回っていることを示している。 さらに,主要なビデオプラットフォームであるalibaba-youkuでオンラインa/bテストを実施し,ユーザメトリック当たりの平均ビデオビューを3～%以上向上させた。 提案されたモデルは、企業によってデプロイされるプロセスにある。

関連論文リスト

• Learning Recommender Systems with Soft Target: A Decoupled Perspective [49.83787742587449]
  そこで本研究では,ソフトラベルを活用することで,目的を2つの側面として捉えるために,分離されたソフトラベル最適化フレームワークを提案する。 本稿では,ラベル伝搬アルゴリズムをモデル化したソフトラベル生成アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-09T04:20:15Z)
• Treatment Effect Estimation for User Interest Exploration on Recommender Systems [10.05609996672672]
  本稿では,トップN推薦を処理最適化問題とみなすUpliftモデルに基づくRecommenderフレームワークを提案する。 UpliftRecは、観察ユーザフィードバックを用いて、異なるカテゴリの露出比で、クリックスルーレート(CTR)という治療効果を推定する。 UpliftRecはグループレベルの治療効果を計算し、高いCTR報酬でユーザの隠れた関心を発見する。
  論文  参考訳（メタデータ） (2024-05-14T13:22:33Z)
• BHEISR: Nudging from Bias to Balance -- Promoting Belief Harmony by Eliminating Ideological Segregation in Knowledge-based Recommendations [5.795636579831129]
  主な目的は,フィルタバブルによる有害な影響を最小限に抑えつつ,ユーザの信念バランスを打つことである。 BHEISRモデルは、民主的かつ透明な原則を支持しながら、ナッジ理論から原則を取り入れている。
  論文  参考訳（メタデータ） (2023-07-06T06:12:37Z)
• Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
  逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。 しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。 したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
  論文  参考訳（メタデータ） (2022-11-17T19:00:24Z)
• Recommendation with User Active Disclosing Willingness [20.306413327597603]
  本研究では,ユーザが異なる行動を公開する上で,その「意志」を示すことを許される,新しい推薦パラダイムについて検討する。 我々は,推薦品質とユーザ開示意欲のバランスをとる上で,モデルの有効性を示すため,広範囲な実験を行った。
  論文  参考訳（メタデータ） (2022-10-25T04:43:40Z)
• Off-policy evaluation for learning-to-rank via interpolating the item-position model and the position-based model [83.83064559894989]
  産業レコメンデーションシステムにとって重要なニーズは、製品にデプロイする前に、レコメンデーションポリシーをオフラインで評価する機能である。 我々は、最も人気のある2つの非政治推定器の問題を緩和する新しい推定器を開発する。 特に、InterPOLと呼ばれる新しい推定器は、潜在的に不特定位置ベースモデルのバイアスに対処する。
  論文  参考訳（メタデータ） (2022-10-15T17:22:30Z)
• Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
  本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。 AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。 誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:32:51Z)
• Application of Machine Learning for Online Reputation Systems [0.4125187280299248]
  本稿では、消費者プロフィールから消費者の信頼度を予測するために機械学習を用いた新しい評価システムを提案する。 提案モデルは10-Foldsクロスバリデーションを用いて、3つのMovieLensベンチマークデータセットで評価されている。
  論文  参考訳（メタデータ） (2022-09-10T12:31:40Z)
• Latent Unexpected Recommendations [89.2011481379093]
  ユーザとアイテムの埋め込みの潜伏した空間における予測性をモデル化し、新しいレコメンデーションと歴史的購入の間の隠れた複雑な関係を捉えることを提案する。 さらに,ハイブリッドユーティリティ機能の構築と,提案モデルに基づく予期せぬ推薦を行うための新しい潜在クロージャ(LC)手法を開発した。
  論文  参考訳（メタデータ） (2020-07-27T02:39:30Z)

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。