論文の概要: Learning Complex Users' Preferences for Recommender Systems
- arxiv url: http://arxiv.org/abs/2107.01529v1
- Date: Sun, 4 Jul 2021 03:25:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-07 05:11:03.607108
- Title: Learning Complex Users' Preferences for Recommender Systems
- Title(参考訳): レコメンダシステムにおける複雑なユーザの好みの学習
- Authors: Shahpar Yakhchi
- Abstract要約: この論文は一般的なRSの性能向上に焦点を当てている。
既存の一般的なRSのほとんどは、類似したユーザーを検出するために、一般的なアイテムのユーザーの評価パターンを利用する傾向にある。
本研究では,その性格特性の類似性に基づいて,類似したユーザを識別するパーソナリティベースのRSを提案する。
- 参考スコア(独自算出の注目度): 0.5076419064097734
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recommender systems (RSs) have emerged as very useful tools to help customers
with their decision-making process, find items of their interest, and alleviate
the information overload problem. There are two different lines of approaches
in RSs: (1) general recommenders with the main goal of discovering long-term
users' preferences, and (2) sequential recommenders with the main focus of
capturing short-term users' preferences in a session of user-item interaction
(here, a session refers to a record of purchasing multiple items in one
shopping event). While considering short-term users' preferences may satisfy
their current needs and interests, long-term users' preferences provide users
with the items that they may interact with, eventually. In this thesis, we
first focus on improving the performance of general RSs. Most of the existing
general RSs tend to exploit the users' rating patterns on common items to
detect similar users. The data sparsity problem (i.e. the lack of available
information) is one of the major challenges for the current general RSs, and
they may fail to have any recommendations when there are no common items of
interest among users. We call this problem data sparsity with no feedback on
common items (DSW-n-FCI). To overcome this problem, we propose a
personality-based RS in which similar users are identified based on the
similarity of their personality traits.
- Abstract(参考訳): レコメンダシステム(rss)は、顧客の意思決定プロセスを支援し、関心のある項目を見つけ、情報オーバーロード問題を緩和するための非常に有用なツールとして登場しました。
rssには2つの異なるアプローチがある: (1) 長期ユーザの嗜好を発見することを主目的とする一般レコメンダ、(2) 短期ユーザの嗜好を主眼とする逐次レコメンダ ユーザ・アイテム間インタラクションのセッション(ここでは、セッションは1つのショッピングイベントにおいて複数のアイテムを購入した記録を指す)。
短期的利用者の嗜好は現在のニーズや関心を満足させる可能性があるが、長期的利用者の嗜好は、ユーザと対話する可能性のあるアイテムを最終的にユーザに提供する。
本論文では,まず一般rssの性能向上に焦点をあてる。
既存の一般的なrssのほとんどは、共通項目のユーザの評価パターンを利用して類似したユーザを検出する傾向がある。
データ空間の問題(すなわち)
利用可能な情報の欠如)は、現在の一般RSにとって大きな課題の1つであり、ユーザ間で共通の関心事がない場合、推奨されない可能性がある。
この問題を共通項目(dsw-n-fci)に対するフィードバックなしでデータスパーシティと呼ぶ。
そこで本研究では,類似した特徴の類似性に基づいて類似ユーザを識別するパーソナリティベースのRSを提案する。
関連論文リスト
- Alleviating the Long-Tail Problem in Conversational Recommender Systems [72.8984755843184]
会話レコメンデータシステム(CRS)は、自然言語による会話を通じてレコメンデーションサービスを提供することを目的としている。
既存のCRSデータセットは、長い尾の問題に悩まされているため、会話で言及される項目はめったにない(あるいは一度もない)。
本稿では、バランスの取れたCRSデータセットのシミュレーションと利用に焦点を当てた新しいフレームワークである textbfLOT-CRS を提案する。
論文 参考訳(メタデータ) (2023-07-21T15:28:47Z) - MELT: Mutual Enhancement of Long-Tailed User and Item for Sequential
Recommendation [8.751117923894435]
SRS(Sequential Recommender Systems)における長期的課題
長大ユーザとアイテムの相互強化(MELT)という,SRSのための新しいフレームワークを提案する。
MELTは、ユーザとアイテムの両方の観点から、長い尾の問題を共同で緩和する。
論文 参考訳(メタデータ) (2023-04-17T15:49:34Z) - DRIFT: A Federated Recommender System with Implicit Feedback on the
Items [0.0]
DRIFTは、暗黙のフィードバックを使用してレコメンデーションシステムのための連合アーキテクチャである。
我々の学習モデルは、暗黙のフィードバックSAROSを用いた最近のアルゴリズムに基づく。
我々のアルゴリズムは安全であり、当社のフェデレーションシステムの参加者は、ユーザによるインタラクションを推測できない。
論文 参考訳(メタデータ) (2023-04-17T13:12:33Z) - Intelligent Request Strategy Design in Recommender System [76.90734681369156]
我々は、Intelligent Request Strategy Design(IRSD)というエッジインテリジェンスの新しい学習タスクを構想する。
IRSDは、ユーザのリアルタイムな意図に基づいて、リクエスト挿入の適切なタイミングを決定することにより、ウォーターフォールRSの有効性を向上させることを目的としている。
我々は、アップリフトベースのOn-edge Smart Request Framework(AdaRequest)という、適応的な要求挿入戦略の新しいパラダイムを提案する。
論文 参考訳(メタデータ) (2022-06-23T16:51:38Z) - Price DOES Matter! Modeling Price and Interest Preferences in
Session-based Recommendation [55.0391061198924]
セッションベースのレコメンデーションは、匿名ユーザが自分の短い行動シーケンスに基づいて購入したいアイテムを予測することを目的としている。
セッションベースのレコメンデーションの価格設定を組み込むのは簡単ではない。
セッションベースレコメンデーションのためのCoHHN(Co-guided Heterogeneous Hypergraph Network)を提案する。
論文 参考訳(メタデータ) (2022-05-09T10:47:15Z) - User-Centric Conversational Recommendation with Multi-Aspect User
Modeling [47.310579802092384]
CRSタスクにおけるユーザの嗜好学習の本質に回帰するユーザ中心会話推薦(UCCR)モデルを提案する。
複数視点の選好マッパーを用いて,現在および歴史的セッションにおける異なる視点の内在的相関を学習する。
学習したマルチアスペクトのマルチビューユーザ嗜好は、レコメンデーションと対話生成に使用される。
論文 参考訳(メタデータ) (2022-04-20T07:08:46Z) - Learning to Ask Appropriate Questions in Conversational Recommendation [49.31942688227828]
対話型レコメンデーションのための新しいフレームワークであるKnowledge-Based Question Generation System (KBQG)を提案する。
KBQGは、構造化知識グラフから最も関連性の高い関係を識別することにより、ユーザの好みをよりきめ細かな粒度でモデル化する。
最終的には、正確な推奨は会話の順番を少なくして生成できる。
論文 参考訳(メタデータ) (2021-05-11T03:58:10Z) - Reciprocal Recommender Systems: Analysis of State-of-Art Literature,
Challenges and Opportunities towards Social Recommendation [14.944946561487535]
Reciprocal Recommender System (RRS)は、データ駆動型パーソナライズされた意思決定支援ツールである。
RRSは、ユーザの好み、ニーズ、行動に基づいて、ユーザ関連のデータを処理し、フィルタリングし、推奨する。
本稿では,RSのアルゴリズム,融合プロセス,基礎的特徴に着目し,現状のRS研究を要約する。
論文 参考訳(メタデータ) (2020-07-17T09:48:46Z) - Modeling Long-Term and Short-Term Interests with Parallel Attentions for
Session-based Recommendation [17.092823992007794]
セッションベースのレコメンダは通常、ユーザの進化する関心を探求します。
近年の注意機構の進歩により、この課題を解決するための最先端の手法が導かれた。
本稿では,セッションベースレコメンデーションのための並列注意ネットワークモデル(PAN)を提案する。
論文 参考訳(メタデータ) (2020-06-27T11:47:51Z) - Enabling the Analysis of Personality Aspects in Recommender Systems [0.0]
既存のレコメンデーションシステムは、ユーザーからのフィードバック、例えば評価、類似したユーザーを検出するための一般的な項目に対するレビューの活用に重点を置いている。
我々はこの問題を,共通項目に対するフィードバックのないデータスパシティ (DSW-n-FCI) と呼んでいる。
ユーザの個性タイプを,ユーザの負担なく暗黙的に識別し,ユーザの個人的関心や知識レベルとともに取り入れる。
論文 参考訳(メタデータ) (2020-01-07T23:02:07Z) - Sequential Recommender Systems: Challenges, Progress and Prospects [50.12218578518894]
シーケンシャルレコメンダシステム(SRS)は、シーケンシャルなユーザ行動、ユーザとアイテム間の相互作用、ユーザの好みとアイテムの人気の時間的変化を理解し、モデル化しようとする。
まず, SRSの特徴を概説し, 研究領域における課題をまとめ, 分類し, そして, 最新の研究成果と代表的研究成果から, 対応する研究の進展を概説する。
論文 参考訳(メタデータ) (2019-12-28T05:12:28Z)
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。