論文の概要: Towards Explainable Scientific Venue Recommendations
- arxiv url: http://arxiv.org/abs/2109.11343v1
- Date: Tue, 21 Sep 2021 10:25:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-24 14:54:43.888482
- Title: Towards Explainable Scientific Venue Recommendations
- Title(参考訳): 科学会場推薦をめざして
- Authors: Bastian Sch\"afermeier and Gerd Stumme and Tom Hanika
- Abstract要約: 本稿では,この領域における最先端の手法を提案する。
まず,非負行列分解に基づくトピックモデルを用いて,推薦の解釈可能性を高める。
第二に、より単純な学習方法を用いて、驚くほど競争力のあるレコメンデーション性能を得ることができる。
- 参考スコア(独自算出の注目度): 0.09668407688201358
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Selecting the best scientific venue (i.e., conference/journal) for the
submission of a research article constitutes a multifaceted challenge.
Important aspects to consider are the suitability of research topics, a venue's
prestige, and the probability of acceptance. The selection problem is
exacerbated through the continuous emergence of additional venues. Previously
proposed approaches for supporting authors in this process rely on complex
recommender systems, e.g., based on Word2Vec or TextCNN. These, however, often
elude an explanation for their recommendations. In this work, we propose an
unsophisticated method that advances the state-of-the-art in two aspects:
First, we enhance the interpretability of recommendations through non-negative
matrix factorization based topic models; Second, we surprisingly can obtain
competitive recommendation performance while using simpler learning methods.
- Abstract(参考訳): 研究論文の提出に最適な科学会場(カンファレンス/ジャーナル)を選択することは、多面的な課題を構成する。
考慮すべき重要な側面は、研究トピックの適合性、会場の名声、受容の可能性である。
選択問題は、追加会場の継続的な出現によって悪化する。
このプロセスで著者を支援するための従来提案されたアプローチは、例えばWord2VecやTextCNNに基づく複雑なレコメンデーターシステムに依存していた。
しかし、これらはしばしば彼らの推奨についての説明を免れる。
本稿では,非負の行列因数分解に基づくトピックモデルによる推薦の解釈性の向上と,より単純な学習手法を用いて,競争力のある推薦性能を得ることができることの2つの側面から,最先端の手法を提案する。
関連論文リスト
- Embedding in Recommender Systems: A Survey [67.67966158305603]
重要な側面は、ユーザやアイテムIDといった高次元の離散的な特徴を低次元連続ベクトルに包含する技法である。
埋め込み技術の適用は複雑なエンティティ関係を捉え、かなりの研究を刺激している。
この調査では、協調フィルタリング、自己教師付き学習、グラフベースのテクニックなどの埋め込み手法を取り上げている。
論文 参考訳(メタデータ) (2023-10-28T06:31:06Z) - Impression-Aware Recommender Systems [57.38537491535016]
新たなデータソースは、レコメンデーションシステムの品質を改善する新しい機会をもたらす。
研究者はインプレッションを使ってユーザーの好みを洗練させ、推奨システム研究の現在の制限を克服することができる。
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。
論文 参考訳(メタデータ) (2023-08-15T16:16:02Z) - Fisher-Weighted Merge of Contrastive Learning Models in Sequential
Recommendation [0.0]
我々は、まず、フィッシャー・マージング法をシークエンシャル・レコメンデーションに適用し、それに関連する実践的な課題に対処し、解決する。
提案手法の有効性を実証し, シーケンシャルラーニングおよびレコメンデーションシステムにおける最先端化の可能性を明らかにする。
論文 参考訳(メタデータ) (2023-07-05T05:58:56Z) - Aligning Recommendation and Conversation via Dual Imitation [56.236932446280825]
提案するDICR(Dual Imitation for Conversational Recommendation)は,リコメンデーションパスとユーザ関心シフトパスを明確に整合させる2つの模倣を設計する。
アライメント信号の交換により、DICRはレコメンデーションと会話モジュール間の双方向のプロモーションを実現する。
実験により、DICRは推奨と会話のパフォーマンスに関する最先端モデルよりも、自動的、人的、斬新な説明可能性の指標の方が優れていることが示された。
論文 参考訳(メタデータ) (2022-11-05T08:13:46Z) - Recommendation Fairness: From Static to Dynamic [12.080824433982993]
推薦のための強化学習手法に公平性を組み込む方法について論じる。
我々は、推薦公正性をさらに前進させるために、マルチエージェント(ゲーム理論)最適化、マルチオブジェクト(パレート)最適化を検討すべきかもしれないと論じる。
論文 参考訳(メタデータ) (2021-09-05T21:38:05Z) - A Survey on Cross-domain Recommendation: Taxonomies, Methods, and Future
Directions [27.894300356732696]
本稿では,異なるレコメンデーションシナリオとレコメンデーションタスクを分類するクロスドメインレコメンデーションの2段階の分類法を提案する。
次に、異なるレコメンデーションシナリオの下で、構造化された方法で既存のクロスドメインレコメンデーションアプローチを紹介し、要約する。
論文 参考訳(メタデータ) (2021-08-07T03:26:16Z) - Simultaneous Relevance and Diversity: A New Recommendation Inference
Approach [81.44167398308979]
本稿では,新しいCF推論手法である負対陽性を導入することにより,一般協調フィルタリング(CF)を拡張した新しい手法を提案する。
我々のアプローチは、様々な高度なレベルでの幅広い推奨シナリオ/ユースケースに適用できる。
公開データセットと実世界の生産データに関する分析と実験により、我々のアプローチは、関連性および多様性に関する既存の手法を同時に上回ることを示した。
論文 参考訳(メタデータ) (2020-09-27T22:20:12Z) - Learning Neural Textual Representations for Citation Recommendation [7.227232362460348]
サブモジュラースコアリング機能において,シームズとトリプルトネットワークを併用した文書(センテンス-BERT)の深部表現を用いた引用推薦手法を提案する。
我々の知る限りでは、これは引用推薦のタスクに対して、ディープ表現とサブモジュラー選択を組み合わせるための最初のアプローチである。
論文 参考訳(メタデータ) (2020-07-08T12:38:50Z) - Self-Supervised Reinforcement Learning for Recommender Systems [77.38665506495553]
逐次リコメンデーションタスクのための自己指導型強化学習を提案する。
提案手法は,2つの出力層を持つ標準レコメンデーションモデルを強化する。
このようなアプローチに基づいて、自己監督型Q-ラーニング(SQN)と自己監督型アクター・クライブ(SAC)という2つのフレームワークを提案する。
論文 参考訳(メタデータ) (2020-06-10T11:18:57Z) - Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。
当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
論文 参考訳(メタデータ) (2020-05-21T12:28:59Z) - State-of-Art-Reviewing: A Radical Proposal to Improve Scientific
Publication [19.10668029301668]
State-Of-the-Art Review (SOAR)は、ピアレビューの'plug-and-play'代替として機能する新奇なレビューパイプラインである。
私たちのアプローチの核心は、レビュープロセスが多目的で、大規模に分散し、非常に高いレイテンシの最適化である、という解釈です。
論文 参考訳(メタデータ) (2020-03-31T17:58:36Z)
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。