論文の概要: RikoNet: A Novel Anime Recommendation Engine

• arxiv url: http://arxiv.org/abs/2106.12970v1
• Date: Thu, 24 Jun 2021 12:39:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-25 15:13:41.523514
• Title: RikoNet: A Novel Anime Recommendation Engine
• Title（参考訳）: RikoNet: 新しいアニメレコメンデーションエンジン
• Authors: Badal Soni, Debangan Thakuria, Nilutpal Nath, Navarun Das and Bhaskarananda Boro
• Abstract要約: 我々は,レコメンデーションシステムと,新たなアニメジャンルやタイトルを探求する手段として機能する,新しいハイブリッドレコメンデーションシステムを構築した。 私たちのソリューションでは、評価予測や埋め込み生成のタスクにディープオートエンコーダを使用します。 我々は、このアイデアを実証し、実装されたモデルの性能を既存の最先端技術と比較した。
• 参考スコア（独自算出の注目度）: 0.36700088931938835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anime is quite well-received today, especially among the younger generations. With many genres of available shows, more and more people are increasingly getting attracted to this niche section of the entertainment industry. As anime has recently garnered mainstream attention, we have insufficient information regarding users' penchant and watching habits. Therefore, it is an uphill task to build a recommendation engine for this relatively obscure entertainment medium. In this attempt, we have built a novel hybrid recommendation system that could act both as a recommendation system and as a means of exploring new anime genres and titles. We have analyzed the general trends in this field and the users' watching habits for coming up with our efficacious solution. Our solution employs deep autoencoders for the tasks of predicting ratings and generating embeddings. Following this, we formed clusters using the embeddings of the anime titles. These clusters form the search space for anime with similarities and are used to find anime similar to the ones liked and disliked by the user. This method, combined with the predicted ratings, forms the novel hybrid filter. In this article, we have demonstrated this idea and compared the performance of our implemented model with the existing state-of-the-art techniques.
• Abstract（参考訳）: アニメは今日、特に若い世代の間で非常に好評である。 利用可能な番組のジャンルが多々ある中、エンターテイメント業界のこのニッチなセクションに、ますます多くの人々が惹きつけている。 近年,アニメが主流となってきており,ユーザの気遣いや視聴習慣に関する情報が不足している。 そのため、この比較的目立たないエンタテインメントメディアのレコメンデーションエンジンを構築するのは難しい作業である。 本研究では,新たなアニメジャンルやタイトルを探求する手段として,レコメンデーションシステムとして機能するハイブリッドレコメンデーションシステムを構築した。 我々は,この分野の一般的な傾向とユーザの監視習慣を分析し,効果的なソリューションを考案した。 我々のソリューションは、評価の予測と埋め込みの生成のタスクにディープオートエンコーダを使用します。 その後,アニメタイトルの埋め込みを用いてクラスタを形成した。 これらのクラスターは類似性のあるアニメの検索空間を形成し、ユーザーが好んだアニメに似たアニメを見つけるのに用いられる。 この方法は予測された評価と組み合わせて、新しいハイブリッドフィルタを形成する。 本稿では、このアイデアを実証し、実装されたモデルの性能を既存の最先端技術と比較する。

関連論文リスト

• NOVA-3D: Non-overlapped Views for 3D Anime Character Reconstruction [14.509202872426942]
  3D textbf Anime character Reconstruction (NOVA-3D) の非オーバーラップビュー 新しいフレームワークは、3D一貫性のある特徴を効果的に学習するためのビュー認識機能融合法を実装している。 実験では、特筆すべき細かな忠実さを持つアニメキャラクターの優れた再構成が示されている。
  論文  参考訳（メタデータ） (2024-05-21T05:31:03Z)
• The Manga Whisperer: Automatically Generating Transcriptions for Comics [55.544015596503726]
  我々は,パネル,テキストボックス,文字ボックスを検出可能な統一モデル Magi を提案する。 本稿では,検出したテキストボックスを読み順にソートし,対話文を生成する手法を提案する。
  論文  参考訳（メタデータ） (2024-01-18T18:59:09Z)
• Hybrid Recommendation System using Graph Neural Network and BERT Embeddings [0.0]
  本稿では,グラフニューラルネットワーク(GNN)と文変換器の埋め込みを併用して,異なるユーザに対するアニメレコメンデーションを予測する新しいモデルを提案する。 提案手法は,アニメレコメンデーションシステムの精度と有効性を大幅に向上させる可能性がある。
  論文  参考訳（メタデータ） (2023-10-07T17:24:41Z)
• Fairness Through Domain Awareness: Mitigating Popularity Bias For Music Discovery [56.77435520571752]
  音楽発見と人気バイアスの本質的な関係について検討する。 本稿では,グラフニューラルネットワーク(GNN)に基づくレコメンデータシステムにおいて,人気バイアスに対処する,ドメイン対応の個別フェアネスに基づくアプローチを提案する。 我々のアプローチでは、個々の公正さを用いて、真実を聴く経験、すなわち2つの歌が似ているとすると、この類似性は彼らの表現に反映されるべきである。
  論文  参考訳（メタデータ） (2023-08-28T14:12:25Z)
• Detecting Spoilers in Movie Reviews with External Movie Knowledge and User Networks [49.34060089217864]
  オンライン映画レビュープラットフォームは、映画産業と一般大衆にクラウドソースによるフィードバックを提供している。 自動でスポイラーを識別するための予備的な研究が実施されたが、それらは単にレビューの内容そのものに焦点を当てているだけであった。 本稿では,映画レビュープラットフォーム上での映画やユーザ活動の外部知識を考慮した,新しい多視点スポイラー検出フレームワークであるMVSDを提案する。
  論文  参考訳（メタデータ） (2023-04-22T13:54:31Z)
• A Study on Accuracy, Miscalibration, and Popularity Bias in Recommendations [6.694971161661218]
  異なるジャンルがレコメンデーションパフォーマンスの不整合に与える影響について検討する。 人気コンテンツへの関心がほとんどないユーザは、最悪のレコメンデーションの精度を得られる。 実験の結果,特定のジャンルがレコメンデーションパフォーマンスの不整合に異なる程度寄与していることが判明した。
  論文  参考訳（メタデータ） (2023-03-01T10:39:58Z)
• Film Trailer Generation via Task Decomposition [65.16768855902268]
  私たちは映画をグラフとしてモデル化し、ノードはショットであり、エッジはそれらの間のセマンティックな関係を表す。 スクリーンプレイから特権的テキスト情報を活用する共同コントラストトレーニングを用いて,これらの関係を学習する。 教師なしのアルゴリズムがグラフを横切り、人間の審査員が競争的な教師付きアプローチによって生成されるトレーラーを生成する。
  論文  参考訳（メタデータ） (2021-11-16T20:50:52Z)
• AniGAN: Style-Guided Generative Adversarial Networks for Unsupervised Anime Face Generation [84.52819242283852]
  本稿では,肖像画をアニメ化するための新しい枠組みを提案する。 私たちの目標は、特定の参照アニメフェイスとスタイル一貫性のあるアニメフェイスを合成することです。 既存の方法は、しばしば参照アニメフェイスのスタイルを転送したり、生成された顔の局所的な形状に顕著なアーティファクトや歪みを導入することに失敗する。
  論文  参考訳（メタデータ） (2021-02-24T22:47:38Z)
• Mi YouTube es Su YouTube? Analyzing the Cultures using YouTube Thumbnails of Popular Videos [98.87558262467257]
  本研究では,YouTubeのトレンド動画のサムネイルを用いて,各国の文化選好について検討した。 実験の結果、類似文化のユーザーはYouTubeで同様のビデオを見ることに興味を持っていることがわかった。
  論文  参考訳（メタデータ） (2020-01-27T20:15:57Z)

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。