論文の概要: Real-Time Learning from An Expert in Deep Recommendation Systems with
Marginal Distance Probability Distribution
- arxiv url: http://arxiv.org/abs/2110.06287v1
- Date: Tue, 12 Oct 2021 19:20:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-15 08:04:49.491181
- Title: Real-Time Learning from An Expert in Deep Recommendation Systems with
Marginal Distance Probability Distribution
- Title（参考訳）: 辺縁距離確率分布を考慮した深部推薦システムのエキスパートによるリアルタイム学習
- Authors: Arash Mahyari, Peter Pirolli, Jacqueline A. LeBlanc
- Abstract要約: 我々は,その履歴,プロファイル,および類似のユーザに基づいて,日々の運動活動を支援するレコメンデーションシステムを開発した。
開発したレコメンデーションシステムは、ユーザの注目と時間的注意機構を備えたディープリカレントニューラルネットワークを使用する。
本稿では,リアルタイム・エキスパート・ザ・ループ型能動的学習手法を提案する。
- 参考スコア（独自算出の注目度）: 1.3535770763481902
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recommendation systems play an important role in today's digital world. They
have found applications in various applications such as music platforms, e.g.,
Spotify, and movie streaming services, e.g., Netflix. Less research effort has
been devoted to physical exercise recommendation systems. Sedentary lifestyles
have become the major driver of several diseases as well as healthcare costs.
In this paper, we develop a recommendation system for daily exercise activities
to users based on their history, profile and similar users. The developed
recommendation system uses a deep recurrent neural network with user-profile
attention and temporal attention mechanisms.
Moreover, exercise recommendation systems are significantly different from
streaming recommendation systems in that we are not able to collect click
feedback from the participants in exercise recommendation systems. Thus, we
propose a real-time, expert-in-the-loop active learning procedure. The active
learners calculate the uncertainty of the recommender at each time step for
each user and ask an expert for a recommendation when the certainty is low. In
this paper, we derive the probability distribution function of marginal
distance, and use it to determine when to ask experts for feedback. Our
experimental results on a mHealth dataset show improved accuracy after
incorporating the real-time active learner with the recommendation system.
- Abstract（参考訳）: 今日のデジタル世界ではレコメンデーションシステムが重要な役割を果たす。
彼らは、例えばspotifyのような音楽プラットフォームや、netflixのような映画ストリーミングサービスといった様々なアプリケーションでアプリケーションを見つけました。
身体運動レコメンデーションシステムにはほとんど研究努力が注がれていない。
sedentary lifestylesは、医療費だけでなく、いくつかの病気の主要な原因となっている。
本稿では,その履歴,プロファイル,および類似ユーザに基づいて,日々の運動活動を支援するレコメンデーションシステムの開発を行う。
開発したレコメンデーションシステムは,ユーザの注目と時間的注意機構を備えたディープリカレントニューラルネットワークを用いる。
さらに,運動レコメンデーションシステムの参加者からのクリックフィードバックを収集できない点において,運動レコメンデーションシステムはストリーミングレコメンデーションシステムと大きく異なる。
そこで本研究では,リアルタイムなループ内能動的学習手法を提案する。
アクティブ学習者は、各ユーザの時間ステップ毎の推薦者の不確かさを算出し、確信度が低い場合に専門家に推薦を求める。
本稿では,限界距離の確率分布関数を導出し,それを専門家にフィードバックを求めるタイミングを決定する。
mHealthデータセットを用いた実験の結果,リアルタイム能動学習システムとレコメンデーションシステムを組み合わせた結果,精度が向上した。
関連論文リスト
- System-2 Recommenders: Disentangling Utility and Engagement in Recommendation Systems via Temporal Point-Processes [80.97898201876592]
本稿では,過去のコンテンツインタラクションが,自己興奮型ホークスプロセスに基づくユーザの到着率に影響を及ぼす生成モデルを提案する。
そこで本研究では,システム1とシステム2のアンタングルを解消し,ユーザ利用によるコンテンツ最適化を可能にすることを解析的に示す。
論文 参考訳（メタデータ） (2024-05-29T18:19:37Z) - Using Learnable Physics for Real-Time Exercise Form Recommendations [2.1548132286330453]
本稿では,エクササイズ手法の問題点を診断し,修正レコメンデーションを提供するアルゴリズムパイプラインを提案する。
我々は、ポーズ認識にMediaPipeを使用し、ピークプロミネンス検出による反復数をカウントし、学習可能な物理シミュレータを用いて動きの進化を追跡する。
論文 参考訳（メタデータ） (2023-10-11T06:11:11Z) - Breaking Feedback Loops in Recommender Systems with Causal Inference [99.22185950608838]
近年の研究では、フィードバックループが推奨品質を損なう可能性があり、ユーザの振る舞いを均質化している。
本稿では、因果推論を用いてフィードバックループを確実に破壊するアルゴリズムCAFLを提案する。
従来の補正手法と比較して,CAFLは推奨品質を向上することを示す。
論文 参考訳（メタデータ） (2022-07-04T17:58:39Z) - Privacy-Preserving Personalized Fitness Recommender System (P3FitRec): A
Multi-level Deep Learning Approach [6.647564421295215]
プライバシーに配慮したパーソナライズされたフィットネスレコメンデーションシステムを提案する。
大規模な実フィットネスデータセットから重要な特徴を学習する多層ディープラーニングフレームワークを導入する。
本手法は,センサデータからユーザのフィットネス特性を推定することによりパーソナライズを実現する。
論文 参考訳（メタデータ） (2022-03-23T05:27:35Z) - Recency Dropout for Recurrent Recommender Systems [23.210278548403185]
本稿では,リコメンデータシステムにおけるリコメンデーションバイアスを軽減するために,簡易かつ効果的なデータ拡張手法であるリコメンデーションドロップアウト手法を提案する。
シミュレーション実験,オフライン実験,大規模産業レコメンデーションプラットフォームでのライブ実験など,各種実験環境における遅延降下の有効性を実証する。
論文 参考訳（メタデータ） (2022-01-26T15:50:20Z) - Deep Exploration for Recommendation Systems [14.937000494745861]
我々はレコメンデーションシステムのための深層探査手法を開発した。
特に、逐次決定問題としてレコメンデーションを定式化する。
本実験は高忠実度産業用シミュレータを用いて行った。
論文 参考訳（メタデータ） (2021-09-26T06:54:26Z) - Measuring Recommender System Effects with Simulated Users [19.09065424910035]
人気バイアスとフィルターバブルは、最もよく研究されているシステムバイアスの2つです。
各種ユーザ行動下におけるレコメンダーシステムの影響を測定するためのシミュレーションフレームワークを提供します。
論文 参考訳（メタデータ） (2021-01-12T14:51:11Z) - Generative Inverse Deep Reinforcement Learning for Online Recommendation [62.09946317831129]
オンラインレコメンデーションのための新しい逆強化学習手法InvRecを提案する。
InvRecは、オンラインレコメンデーションのために、ユーザの行動から報酬関数を自動的に抽出する。
論文 参考訳（メタデータ） (2020-11-04T12:12:25Z) - Knowledge Transfer via Pre-training for Recommendation: A Review and
Prospect [89.91745908462417]
実験による推薦システムに対する事前学習の利点を示す。
事前学習を伴うレコメンデータシステムの今後の研究に向けて,いくつかの将来的な方向性について論じる。
論文 参考訳（メタデータ） (2020-09-19T13:06:27Z) - Fairness-Aware Explainable Recommendation over Knowledge Graphs [73.81994676695346]
ユーザのアクティビティのレベルに応じて異なるグループのユーザを分析し、異なるグループ間での推奨パフォーマンスにバイアスが存在することを確認する。
不活性なユーザは、不活性なユーザのためのトレーニングデータが不十分なため、不満足なレコメンデーションを受けやすい可能性がある。
本稿では、知識グラフに対する説明可能な推奨という文脈で、この問題を緩和するために再ランク付けすることで、公平性に制約されたアプローチを提案する。
論文 参考訳（メタデータ） (2020-06-03T05:04:38Z) - Survey for Trust-aware Recommender Systems: A Deep Learning Perspective [48.2733163413522]
信頼できるレコメンデーションシステムを採用することが重要になります。
本調査では,信頼を意識したレコメンデータシステムの3つのカテゴリについて概説する。
論文 参考訳（メタデータ） (2020-04-08T02:11:55Z)
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。