論文の概要: Big-Five, MPTI, Eysenck or HEXACO: The Ideal Personality Model for Personality-aware Recommendation Systems

• arxiv url: http://arxiv.org/abs/2106.03060v1
• Date: Sun, 6 Jun 2021 08:17:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-27 11:38:52.883823
• Title: Big-Five, MPTI, Eysenck or HEXACO: The Ideal Personality Model for Personality-aware Recommendation Systems
• Title（参考訳）: Big-Five, MPTI, Eysenck, HEXACO:Personality-Aware Recommendation Systemsのための理想的パーソナリティモデル
• Authors: Sahraoui Dhelim, Liming Luke Chen, Nyothiri Aung, Wenyin Zhang, Huansheng Ning
• Abstract要約: パーソナリティを考慮したレコメンデーションシステムは従来のレコメンデーションシステムと比較して精度が高いことが証明されている。 本稿では,異なるパーソナリティモデルに基づく4つのパーソナリティ認識レコメンデーションシステムについて検討・比較する。 本稿では,人格特性モデルと人格モデルとを活かしたハイブリッドな人格モデルを提案する。
• 参考スコア（独自算出の注目度）: 2.3729121267545357
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personality-aware recommendation systems have been proven to achieve high accuracy compared to conventional recommendation systems. In addition to that, personality-aware recommendation systems could help alleviate cold start and data sparsity problems. Most of the existing works use Big-Five personality model to represent the user's personality, this is due to the popularity of Big-Five model in the literature of psychology. However, from personality computing perspective, the choice of the most suitable personality model that satisfy the requirements of the recommendation application and the recommended content type still needs further investigation. In this paper, we study and compare four personality-aware recommendation systems based on different personality models, namely Big-Five, Eysenck and HEXACO from the personality traits theory, and Myers-Briggs Type Indicator (MPTI) from the personality types theory. Following that, we propose a hybrid personality model for recommendation that takes advantage of the personality traits models, as well as the personality types models. Through extensive experiments on recommendation dataset, we prove the efficiency of the proposed model, especially in cold start settings.
• Abstract（参考訳）: 性格認識レコメンデーションシステムは従来のレコメンデーションシステムに比べて高精度であることが証明されている。 それに加えて、パーソナライズ対応のレコメンデーションシステムは、コールドスタートとデータ空間の問題を軽減するのに役立つ。 既存の作品の多くは、ユーザの個性を表現するためにBig-Fiveパーソナリティモデルを使用しているが、これは心理学におけるBig-Fiveモデルの人気によるものである。 しかし、パーソナライズコンピューティングの観点からは、レコメンデーションアプリケーションとレコメンデーションコンテンツタイプの要件を満たす最も適切なパーソナリティモデルを選択するには、さらなる調査が必要である。 本稿では,人格特性理論からBig-Five,Eysenck,HEXACOの4つの人格モデルに基づく人格認識推薦システムと,人格型理論からMers-Briggs Type Indicator(MPTI)を比較した。 次に,パーソナリティ特性モデルとパーソナリティタイプモデルを組み合わせたハイブリッドパーソナリティモデルを提案する。 推奨データセットに関する広範な実験を通じて、提案モデルの有効性、特にコールドスタート設定において証明する。

関連論文リスト

• ComPO: Community Preferences for Language Model Personalization [122.54846260663922]
  ComPOは、言語モデルにおける好みの最適化をパーソナライズする手法である。 ComPRedはRedditからコミュニティレベルの好みを持った質問応答データセットです。
  論文  参考訳（メタデータ） (2024-10-21T14:02:40Z)
• P-Tailor: Customizing Personality Traits for Language Models via Mixture of Specialized LoRA Experts [34.374681921626205]
  オープン性,良心性,外向性,同意性,神経症など,さまざまな特徴を表現するために,専門的な LoRA の専門家を学ぶ。 我々は、P-Tailorとパーソナリティ損失専門化を統合し、異なるパーソナリティ特性を専門化する専門家を奨励する。
  論文  参考訳（メタデータ） (2024-06-18T12:25:13Z)
• Personalized Language Modeling from Personalized Human Feedback [49.344833339240566]
  人間のフィードバックからの強化学習(Reinforcement Learning from Human Feedback, RLHF)は、人間の好みに合わせて大きな言語モデルを微調整するために一般的に用いられる。 本研究では,パーソナライズされた言語モデルを構築する手法を開発することにより,この問題に対処することを目的とする。
  論文  参考訳（メタデータ） (2024-02-06T04:18:58Z)
• Curriculum-scheduled Knowledge Distillation from Multiple Pre-trained Teachers for Multi-domain Sequential Recommendation [102.91236882045021]
  現実世界のシステムにおいて、様々な事前学習されたレコメンデーションモデルを効率的に利用する方法について検討することが不可欠である。 多分野連続的な推薦のために,複数の事前学習教師によるカリキュラムスケジューリング型知識蒸留を提案する。 CKD-MDSRは、複数の教師モデルとして異なるPRMの利点を最大限に活用し、小学生推薦モデルを強化している。
  論文  参考訳（メタデータ） (2024-01-01T15:57:15Z)
• Personality Profiling: How informative are social media profiles in predicting personal information? [0.04096453902709291]
  我々は、人々のオンラインデジタルフットプリントが、彼らのマイアーズ・ブリッグス・パーソナリティのタイプをプロファイリングできる範囲について調べる。 我々は,ロジスティック回帰,ナイーブベイズ,サポートベクターマシン(SVM),ランダムフォレストという4つのモデルを比較した。 SVMモデルは、完全なパーソナリティの型を予測するために20.95%の精度を達成する。
  論文  参考訳（メタデータ） (2023-09-15T03:09:43Z)
• Towards Psychologically-Grounded Dynamic Preference Models [24.29415641848088]
  我々は、リコメンデーションが人の嗜好に与える影響をモデル化するには、心理的に妥当なモデルに基礎を置く必要があると論じる。 本手法は,心理学文献から3つの古典的効果(平均露光,操作条件,ヘドニック適応)を捉えるモデルを用いて実証する。
  論文  参考訳（メタデータ） (2022-08-01T16:53:58Z)
• RGRecSys: A Toolkit for Robustness Evaluation of Recommender Systems [100.54655931138444]
  複数の次元を包含するレコメンダシステムに対して,ロバスト性に関するより包括的視点を提案する。 本稿では、RecSys用のロバストネス評価ツールキットRobustness Gymを紹介し、リコメンダシステムモデルのロバストネスを迅速かつ均一に評価できるようにする。
  論文  参考訳（メタデータ） (2022-01-12T10:32:53Z)
• PURS: Personalized Unexpected Recommender System for Improving User Satisfaction [76.98616102965023]
  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。
  論文  参考訳（メタデータ） (2021-06-05T01:33:21Z)
• 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)
• A Survey on Personality-Aware Recommendation Systems [14.607209068520259]
  本調査は,パーソナライズ・アウェア・レコメンデーション・システムについて研究し,体系的に分類することを目的とする。 パーソナライズ対応レコメンデーションシステムの設計選択について検討する。 一般的なデータセットを提示し、パーソナライズ対応レコメンデーションシステムの課題をいくつか指摘する。
  論文  参考訳（メタデータ） (2021-01-28T18:03:23Z)
• Personalized Recommendation of PoIs to People with Autism [5.052126684056964]
  ユーザの慣用的嫌悪感と彼女/彼の好みをパーソナライズするTop-Nレコメンデーションモデルを提案する。 ASDと"ニューロタイプ"の両方でモデルをテストしました。
  論文  参考訳（メタデータ） (2020-04-27T12:04:58Z)

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。