論文の概要: Modeling User Behaviour in Research Paper Recommendation System

• arxiv url: http://arxiv.org/abs/2107.07831v1
• Date: Fri, 16 Jul 2021 11:31:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-19 19:38:16.774910
• Title: Modeling User Behaviour in Research Paper Recommendation System
• Title（参考訳）: 論文推薦システムにおけるユーザ行動のモデル化
• Authors: Arpita Chaudhuri, Debasis Samanta, Monalisa Sarma
• Abstract要約: ディープシーケンシャルなトピック分析に基づくユーザ意図モデルを提案する。 モデルは、興味のあるトピックの観点から、ユーザの意図を予測する。 提案手法では,研究論文推薦システムの設計に適したユーザアクティビティをモデル化する新たなロードマップを提案する。
• 参考スコア（独自算出の注目度）: 8.980876474818153
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: User intention which often changes dynamically is considered to be an important factor for modeling users in the design of recommendation systems. Recent studies are starting to focus on predicting user intention (what users want) beyond user preference (what users like). In this work, a user intention model is proposed based on deep sequential topic analysis. The model predicts a user's intention in terms of the topic of interest. The Hybrid Topic Model (HTM) comprising Latent Dirichlet Allocation (LDA) and Word2Vec is proposed to derive the topic of interest of users and the history of preferences. HTM finds the true topics of papers estimating word-topic distribution which includes syntactic and semantic correlations among words. Next, to model user intention, a Long Short Term Memory (LSTM) based sequential deep learning model is proposed. This model takes into account temporal context, namely the time difference between clicks of two consecutive papers seen by a user. Extensive experiments with the real-world research paper dataset indicate that the proposed approach significantly outperforms the state-of-the-art methods. Further, the proposed approach introduces a new road map to model a user activity suitable for the design of a research paper recommendation system.
• Abstract（参考訳）: 動的に変化するユーザの意図は、レコメンデーションシステムの設計において、ユーザをモデリングする上で重要な要素であると考えられている。 最近の研究は、ユーザーの好み(ユーザーが好きなもの)を超えて、ユーザーの意図(ユーザーが望むもの)を予測することに焦点が当てられている。 そこで本研究では,より深い逐次的話題分析に基づくユーザ意図モデルを提案する。 モデルは、興味のあるトピックの観点から、ユーザの意図を予測する。 The Hybrid Topic Model (HTM) consistnt Dirichlet Allocation (LDA) and Word2Vec is proposed to derived the topic of interest of users and the history of preferences。 htmは、単語間の構文的および意味的相関を含む単語話題分布を推定する論文の真の話題を見つける。 次に,ユーザの意図をモデル化するために,長期記憶(lstm)に基づく逐次ディープラーニングモデルを提案する。 このモデルは、時間的文脈、すなわちユーザーが目にする2つの連続する論文のクリック間の時間差を考慮している。 実世界の論文データセットを用いた広範な実験は、提案されたアプローチが最先端の手法を大きく上回っていることを示している。 さらに,提案手法では,研究論文推薦システムの設計に適したユーザアクティビティをモデル化する新たなロードマップを提案する。

関連論文リスト

• Revisiting SMoE Language Models by Evaluating Inefficiencies with Task Specific Expert Pruning [78.72226641279863]
  SMOE(Sparse Mixture of Expert)モデルは、言語モデリングにおける高密度モデルに代わるスケーラブルな代替品として登場した。 本研究は,SMoEアーキテクチャの設計に関する意思決定を行うために,タスク固有のモデルプルーニングについて検討する。 適応型タスク対応プルーニング手法 UNCURL を導入し,MoE 層当たりの専門家数をオフラインで学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-02T22:35:03Z)
• Understanding User Intent Modeling for Conversational Recommender Systems: A Systematic Literature Review [1.3630870408844922]
  我々は,会話レコメンデーションシステムの設計によく使用されるモデルについて,系統的な文献レビューを行った。 我々は,研究者がシステムに最も適したモデルを選択するのを支援するための意思決定モデルを開発した。 本研究は,より効果的でパーソナライズされた対話型レコメンデーションシステムの開発を支援する,ユーザ意図モデリングの実践的洞察と包括的理解に寄与する。
  論文  参考訳（メタデータ） (2023-08-05T22:50:21Z)
• Hierarchical Reinforcement Learning for Modeling User Novelty-Seeking Intent in Recommender Systems [26.519571240032967]
  本稿では,階層型ユーザ新規検索意図をモデル化する階層型強化学習手法を提案する。 さらに, 階層的RL (HRL) エージェントの報酬関数に多様性と新規性に関連する測定を取り入れ, ユーザの探索を促進する。
  論文  参考訳（メタデータ） (2023-06-02T12:02:23Z)
• A User-Centered, Interactive, Human-in-the-Loop Topic Modelling System [32.065158970382036]
  ヒューマン・イン・ザ・ループ(Human-in-the-loop)トピック・モデリングは、ユーザの知識をモデリングプロセスに取り入れ、モデルを反復的に洗練することを可能にする。 最近の研究では、ユーザフィードバックの価値が実証されているが、検討すべき問題がまだ残っている。 そこで我々は,ユーザフレンドリなインタフェースを備えた対話型話題モデリングシステムを開発した。
  論文  参考訳（メタデータ） (2023-04-04T13:05:10Z)
• 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)
• Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction [59.221668173521884]
  本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。 エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
  論文  参考訳（メタデータ） (2022-04-18T09:25:06Z)
• Modeling Dynamic User Preference via Dictionary Learning for Sequential Recommendation [133.8758914874593]
  ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。 浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。 本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
  論文  参考訳（メタデータ） (2022-04-02T03:23:46Z)
• Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation [62.30552176649873]
  シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。 両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。 モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:44:27Z)
• 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)

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。