論文の概要: Photos Are All You Need for Reciprocal Recommendation in Online Dating

• arxiv url: http://arxiv.org/abs/2108.11714v1
• Date: Thu, 26 Aug 2021 11:38:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-27 20:48:23.314043
• Title: Photos Are All You Need for Reciprocal Recommendation in Online Dating
• Title（参考訳）: オンラインデートのリコメンデーションに必要なのは写真だけ
• Authors: James Neve and Ryan McConville
• Abstract要約: 本稿では,ユーザの嗜好履歴を解釈し,これを用いてレコメンデーションを行う新しい方法を提案する。 我々は、リカレントニューラルネットワークをトレーニングし、ユーザの嗜好を学習し、相互選好関係の予測を行う。 本システムは,コンテンツベースおよび協調フィルタリングシステムにおいて,技術状況において著しく優れる。
• 参考スコア（独自算出の注目度）: 1.90365714903665
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommender Systems are algorithms that predict a user's preference for an item. Reciprocal Recommenders are a subset of recommender systems, where the items in question are people, and the objective is therefore to predict a bidirectional preference relation. They are used in settings such as online dating services and social networks. In particular, images provided by users are a crucial part of user preference, and one that is not exploited much in the literature. We present a novel method of interpreting user image preference history and using this to make recommendations. We train a recurrent neural network to learn a user's preferences and make predictions of reciprocal preference relations that can be used to make recommendations that satisfy both users. We show that our proposed system achieves an F1 score of 0.87 when using only photographs to produce reciprocal recommendations on a large real world online dating dataset. Our system significantly outperforms on the state of the art in both content-based and collaborative filtering systems.
• Abstract（参考訳）: Recommender Systemsは、ユーザのアイテムの好みを予測するアルゴリズムである。 相互レコメンダ(reciprocal Recommenders)は、質問対象が人間である推薦システムのサブセットであり、それゆえに双方向の嗜好関係を予測することを目的としている。 オンラインデートサービスやソーシャルネットワークなどの設定で使用される。 特に、ユーザが提供した画像は、ユーザの好みの重要な部分であり、文献ではあまり活用されていない。 本稿では,ユーザの画像選択履歴を解釈し,これを用いてレコメンデーションを行う新しい手法を提案する。 我々は、リカレントニューラルネットワークをトレーニングし、ユーザの好みを学習し、両方のユーザーを満たすレコメンデーションを作成するために使用できる相互選好関係の予測を行う。 提案システムは,写真のみを用いて大規模リアルタイムオンラインデートデータセットの相互レコメンデーションを生成する場合,F1スコアが0.87であることを示す。 本システムは,コンテンツベースおよび協調フィルタリングシステムにおいて,技術状況において著しく優れる。

関連論文リスト

• Interactive Visualization Recommendation with Hier-SUCB [52.11209329270573]
  本稿では,従来のインタラクションからユーザフィードバックを学習する対話型パーソナライズドビジュアライゼーションレコメンデーション(PVisRec)システムを提案する。 よりインタラクティブで正確なレコメンデーションのために、PVisRec設定における文脈的半帯域であるHier-SUCBを提案する。
  論文  参考訳（メタデータ） (2025-02-05T17:14:45Z)
• Preference Discerning with LLM-Enhanced Generative Retrieval [28.309905847867178]
  我々は、選好識別という新しいパラダイムを提案する。 嗜好判断において、我々は、そのコンテキスト内でのユーザの嗜好に対して、生成的シーケンシャルなレコメンデーションシステムを明示的に条件付けする。 ユーザレビューと項目固有データに基づいて,Large Language Models (LLMs) を用いてユーザ嗜好を生成する。
  論文  参考訳（メタデータ） (2024-12-11T18:26:55Z)
• Dissertation: On the Theoretical Foundation of Model Comparison and Evaluation for Recommender System [4.76281731053599]
  レコメンダシステムは、ユーザの履歴データを利用して顧客の興味を推測し、パーソナライズされたレコメンデーションを提供する。 協調フィルタリング(Collaborative filtering)は、複数のユーザのレーティングを使用して、欠落したレーティングを予測するレコメンデーションアルゴリズムの1つである。 Recommender システムはより複雑になり、コンテンツベースの属性やユーザインタラクション、コンテキスト情報などの補助的なデータを組み込むことができる。
  論文  参考訳（メタデータ） (2024-11-04T06:31:52Z)
• The Fault in Our Recommendations: On the Perils of Optimizing the Measurable [2.6217304977339473]
  エンゲージメントの最適化は、大きなユーティリティ損失をもたらす可能性があることを示す。 我々は、最初は人気コンテンツとニッチコンテンツの混在を推奨するユーティリティ・アウェア・ポリシーを提案する。
  論文  参考訳（メタデータ） (2024-05-07T02:12:17Z)
• A Large Language Model Enhanced Sequential Recommender for Joint Video and Comment Recommendation [77.42486522565295]
  我々は、パーソナライズされたビデオとコメントのレコメンデーションを共同で行うLSVCRと呼ばれる新しいレコメンデーション手法を提案する。 提案手法は,逐次レコメンデーション(SR)モデルと補足型大規模言語モデル(LLM)レコメンデーションという2つの重要なコンポーネントから構成される。 特に、コメント視聴時間の4.13%が大幅に向上した。
  論文  参考訳（メタデータ） (2024-03-20T13:14:29Z)
• Impression-Aware Recommender Systems [53.48892326556546]
  本稿ではインプレッションを用いたレコメンデーションシステムに関する体系的な文献レビューを行う。 本稿では,印象型レコメンデーションシステムと,印象型レコメンデーションシステムという,パーソナライズされたレコメンデーションのための新しいパラダイムを論じる。
  論文  参考訳（メタデータ） (2023-08-15T16:16:02Z)
• Introducing a Framework and a Decision Protocol to Calibrate Recommender Systems [0.0]
  本稿では,ジャンルの校正バランスを考慮したレコメンデーションリスト作成手法を提案する。 主な主張は、キャリブレーションはより公平なレコメンデーションを生み出すために肯定的に貢献できるということである。 本稿では,1000以上の校正システムの組み合わせを生成するための概念的フレームワークと決定プロトコルを提案する。
  論文  参考訳（メタデータ） (2022-04-07T19:30:55Z)
• 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)
• Towards Comprehensive Recommender Systems: Time-Aware UnifiedcRecommendations Based on Listwise Ranking of Implicit Cross-Network Data [33.17802459749589]
  我々は,コールドスタートとデータ空間の問題を軽減するために,新しい深層学習に基づく統合型クロスネットワークソリューションを提案する。 提案手法は精度,ノベルティ,多様性の点で優れていることを示す。 人気の高いMovieLensデータセットを用いて行った実験から,提案手法が既存の最先端ランキング技術より優れていることが示唆された。
  論文  参考訳（メタデータ） (2020-08-25T08:08:03Z)
• Reward Constrained Interactive Recommendation with Natural Language Feedback [158.8095688415973]
  制約強化強化学習(RL)フレームワークを提案する。 具体的には,ユーザの過去の嗜好に反するレコメンデーションを検出するために,識別器を利用する。 提案するフレームワークは汎用的であり,制約付きテキスト生成のタスクにさらに拡張されている。
  論文  参考訳（メタデータ） (2020-05-04T16:23:34Z)
• A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
  我々は知識グラフに基づく推薦システムの体系的な調査を行う。 論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。 これらの作業で使用されるデータセットを紹介します。
  論文  参考訳（メタデータ） (2020-02-28T02:26:30Z)

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。