論文の概要: User Role Discovery and Optimization Method based on K-means +
Reinforcement learning in Mobile Applications
- arxiv url: http://arxiv.org/abs/2107.00862v1
- Date: Fri, 2 Jul 2021 06:40:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-06 01:23:19.198287
- Title: User Role Discovery and Optimization Method based on K-means +
Reinforcement learning in Mobile Applications
- Title(参考訳): モバイルアプリケーションにおけるK平均+強化学習に基づくユーザの役割発見と最適化手法
- Authors: Yuanbang Li
- Abstract要約: 長期的な安定と、ユーザ共有機能のセットは、ユーザロールとして抽象化できる。
この役割はユーザの社会的背景、職業、生活習慣と密接に関連している。
- 参考スコア(独自算出の注目度): 0.3655021726150368
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the widespread use of mobile phones, users can share their location and
activity anytime, anywhere, as a form of check in data. These data reflect user
features. Long term stable, and a set of user shared features can be abstracted
as user roles. The role is closely related to the user's social background,
occupation, and living habits. This study provides four main contributions.
Firstly, user feature models from different views for each user are constructed
from the analysis of check in data. Secondly, K Means algorithm is used to
discover user roles from user features. Thirdly, a reinforcement learning
algorithm is proposed to strengthen the clustering effect of user roles and
improve the stability of the clustering result. Finally, experiments are used
to verify the validity of the method, the results of which show the
effectiveness of the method.
- Abstract(参考訳): 携帯電話の普及により、ユーザーは自分の位置やアクティビティをいつでも、どこでも、データのチェックインとして共有できる。
これらのデータはユーザーの特徴を反映している。
長期的な安定と、ユーザ共有機能のセットは、ユーザロールとして抽象化できる。
この役割はユーザの社会的背景、職業、生活習慣と密接に関連している。
本研究の主な貢献は4つある。
まず、各ユーザに対する異なるビューからのユーザ特徴モデルを、データのチェックの分析から構築する。
次に、K Meansアルゴリズムを用いてユーザ機能からユーザロールを検出する。
第3に,ユーザロールのクラスタリング効果を強化し,クラスタリング結果の安定性を向上させるため,強化学習アルゴリズムを提案する。
最後に,本手法の有効性を検証する実験を行い,その有効性を示した。
関連論文リスト
- UOEP: User-Oriented Exploration Policy for Enhancing Long-Term User Experiences in Recommender Systems [7.635117537731915]
強化学習(Reinforcement Learning, RL)は,レコメンデーションシステムにおけるユーザの長期体験向上の要因となっている。
現代のレコメンデータシステムは、何千万もの項目で異なるユーザ行動パターンを示しており、探索の難しさを高めている。
ユーザグループ間のきめ細かい探索を容易にする新しいアプローチであるユーザ指向探索ポリシー(UOEP)を提案する。
論文 参考訳(メタデータ) (2024-01-17T08:01:18Z) - Our Model Achieves Excellent Performance on MovieLens: What Does it Mean? [43.3971105361606]
我々は、MovieLensデータセットの綿密な分析を行う。
MovieLensプラットフォームと対話する場合、異なる段階でのユーザインタラクションには大きな違いがある。
そこで本研究では,MovieLensシステムで使用されるインタラクション生成機構と,一般的な実世界のレコメンデーションシナリオとの相違について論じる。
論文 参考訳(メタデータ) (2023-07-19T13:44:32Z) - Personalizing Intervened Network for Long-tailed Sequential User
Behavior Modeling [66.02953670238647]
タイルユーザーは、共同トレーニング後のヘッドユーザーよりも大幅に品質の低いレコメンデーションに悩まされる。
テールユーザーで個別に訓練されたモデルは、限られたデータのために依然として劣った結果が得られる。
本稿では,テールユーザの推薦性能を大幅に向上させる新しい手法を提案する。
論文 参考訳(メタデータ) (2022-08-19T02:50:19Z) - Meta-Wrapper: Differentiable Wrapping Operator for User Interest
Selection in CTR Prediction [97.99938802797377]
クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。
近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。
そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
論文 参考訳(メタデータ) (2022-06-28T03:28:15Z) - One-Round Active Learning [13.25385227263705]
1ラウンドのアクティブラーニングは、ラベル付け後の最高のユーティリティを達成するラベル付きデータポイントのサブセットを選択することを目的としている。
データユーティリティ関数の概念に基づく一括能動学習のための汎用フレームワークであるDULOを提案する。
以上の結果から,既存のアクティブな学習手法が複数ラウンドで成功する一方で,DULOは1ラウンドで常に優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2021-04-23T23:59:50Z) - User Factor Adaptation for User Embedding via Multitask Learning [45.56193775870044]
ユーザ関心をドメインとして扱い、ユーザ言語がどのように異なるかを経験的に検証する。
マルチタスク学習フレームワークを用いて,ユーザの関心の言語変動を考慮したユーザ埋め込みモデルを提案する。
モデルは人間の監督なしにユーザ言語とそのバリエーションを学習する。
論文 参考訳(メタデータ) (2021-02-22T15:21:01Z) - ROIAL: Region of Interest Active Learning for Characterizing Exoskeleton
Gait Preference Landscapes [64.87637128500889]
興味あるアクティブラーニング(ROIAL)フレームワークの領域は、関心のある領域を通じて、各ユーザの基盤となるユーティリティ関数を積極的に学習する。
ROIALは、絶対的な数値スコアよりも信頼性の高いフィードバックメカニズムである順序と選好のフィードバックから学習する。
以上の結果から,限られた人為的試行から歩行実用景観を回復できる可能性が示唆された。
論文 参考訳(メタデータ) (2020-11-09T22:45:58Z) - Data-driven Koopman Operators for Model-based Shared Control of
Human-Machine Systems [66.65503164312705]
本稿では,データ駆動型共有制御アルゴリズムを提案する。
ユーザのインタラクションに関するダイナミクスと情報は、Koopman演算子を使用して観察から学習される。
モデルに基づく共有制御は、自然な学習やユーザのみの制御パラダイムと比較して、タスクとコントロールのメトリクスを著しく改善する。
論文 参考訳(メタデータ) (2020-06-12T14:14:07Z) - Empowering Active Learning to Jointly Optimize System and User Demands [70.66168547821019]
我々は,アクティブラーニングシステムとユーザを協調的に(効率的に学習)するための,新しいアクティブラーニング手法を提案する。
本手法は,特定のユーザに対して,エクササイズの適切性を予測するために,学習を迅速かつ迅速に行う必要があるため,特に,この手法のメリットを生かした教育アプリケーションで研究する。
複数の学習戦略とユーザタイプを実際のユーザからのデータで評価し,代替手法がエンドユーザに適さない多くのエクササイズをもたらす場合,共同アプローチが両方の目標を満足できることを確認した。
論文 参考訳(メタデータ) (2020-05-09T16:02:52Z) - Mining Implicit Entity Preference from User-Item Interaction Data for
Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。
我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。
利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
論文 参考訳(メタデータ) (2020-03-28T05:47:33Z)
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。