論文の概要: User Experiences Oriented Sightseeing Spot Recommendation
- arxiv url: http://arxiv.org/abs/2110.06523v1
- Date: Wed, 13 Oct 2021 06:21:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-14 15:40:55.850634
- Title: User Experiences Oriented Sightseeing Spot Recommendation
- Title(参考訳): 観光スポットを推薦するユーザエクスペリエンス
- Authors: Kun Yi, Ryu Yamagishi, Taishan Li, Zhengyang Bai, Qiang Ma
- Abstract要約: 観光客の多くは一度に数カ所の観光地を訪れており、これらのほとんどは新規観光客からのチェックインデータを持っていない。
従来のシステムでは、利用者の嗜好と人気、評判、カテゴリーに基づく類似性に基づいて観光スポットをランク付けしている。
観光客にPOIを推奨するメカニズムを提案する。
- 参考スコア(独自算出の注目度): 3.839157829013354
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: POI recommendation is a key task in tourism information systems. However, in
contrast to conventional point of interest (POI) recommender systems, the
available data is extremely sparse; most tourist visit a few sightseeing spots
once and most of these spots have no check-in data from new tourists. Most
conventional systems rank sightseeing spots based on their popularity,
reputations, and category-based similarities with users' preferences. They do
not clarify what users can experience in these spots, which makes it difficult
to meet diverse tourism needs. To this end, in this work, we propose a
mechanism to recommend POIs to tourists. Our mechanism include two components:
one is a probabilistic model that reveals the user behaviors in tourism; the
other is a pseudo rating mechanism to handle the cold-start issue in POIs
recommendations. We carried out extensive experiments with two datasets
collected from Flickr. The experimental results demonstrate that our methods
are superior to the state-of-the-art methods in both the recommendation
performances (precision, recall and F-measure) and fairness. The experimental
results also validate the robustness of the proposed methods, i.e., our methods
can handle well the issue of data sparsity.
- Abstract(参考訳): POIレコメンデーションは観光情報システムにおいて重要な課題である。
しかし、従来のPOIレコメンデーションシステムとは対照的に、利用できるデータは極めて少なく、観光客の多くは一度に数カ所の観光地を訪れ、これらのほとんどは新規観光客からのチェックインデータを持っていない。
従来のシステムのほとんどは、その人気、評判、およびユーザーの好みとカテゴリーに基づく類似度に基づいて観光スポットをランク付けしている。
これらの場所でユーザーが体験できるものを明確にしないため、多様な観光需要を満たすことは困難である。
そこで本研究では,観光客にPOIを推奨するメカニズムを提案する。
1つは観光におけるユーザ行動を明らかにする確率モデルであり、もう1つはPOIsレコメンデーションにおけるコールドスタート問題を扱うための擬似評価メカニズムである。
Flickrから収集した2つのデータセットを用いて広範な実験を行った。
その結果,提案手法は推奨性能(精度,リコール,F測定)と公正性の両方において最先端の手法よりも優れていることがわかった。
実験結果は,提案手法のロバスト性,すなわちデータスパーシティの問題を十分に処理できることを示す。
関連論文リスト
- Att-KGCN: Tourist Attractions Recommendation System by using Attention
mechanism and Knowledge Graph Convolution Network [6.571146539235987]
我々は、改良された注意知識グラフ畳み込みネットワークモデル(Att-KGCN$)を提案する。
注意層は比較的類似した位置を集約し、隣接するベクトルでそれらを表現する。
観光客の好む選択によれば、このモデルはレコメンデーションシステムとして類似のスポットの確率を予測する。
論文 参考訳(メタデータ) (2023-06-19T14:06:28Z) - Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。
自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。
特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
論文 参考訳(メタデータ) (2022-10-22T17:29:34Z) - Simpson's Paradox in Recommender Fairness: Reconciling differences
between per-user and aggregated evaluations [16.053419956606557]
ランク付けとレコメンダシステムにおける公平性という2つの概念は、反対の結論につながる可能性があると論じる。
我々はこれらの概念を整理し、テンションはアイテムが関係するユーザの分布の違いによるものであることを示す。
この新たな理解に基づいて、実践者はどちらの概念にも興味を持っているかもしれないが、ユーザ単位のメトリクスで課題に直面しているかもしれない。
論文 参考訳(メタデータ) (2022-10-14T12:43:32Z) - Debiased Recommendation with Neural Stratification [19.841871819722016]
我々は、露光密度を増大させることにより、より正確なIPS計算のためにユーザをクラスタ化することを提案する。
提案手法の有効性を実証するために,実世界のデータセットに基づく広範囲な実験を行った。
論文 参考訳(メタデータ) (2022-08-15T15:45:35Z) - Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。
CPRは、露出メカニズムを知らずに不偏の推奨を達成する。
理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
論文 参考訳(メタデータ) (2022-04-26T09:20:27Z) - Using consumer feedback from location-based services in PoI recommender
systems for people with autism [4.4951754159063295]
関心のポイント(PoIs)に関するレビューから感覚データを抽出するモデルを提案する。
我々は,多種多様な推薦アルゴリズムに組み込むことで,自閉症とニューロタイプの人々によるアプローチを検証した。
論文 参考訳(メタデータ) (2022-04-21T08:47:58Z) - The Unfairness of Active Users and Popularity Bias in Point-of-Interest
Recommendation [4.578469978594752]
本稿では, (i) アクティブユーザの不公平さ, (ii) 人気項目の不公平さ, (iii) 調査三角形の3つの角度として推薦の精度について検討する。
アイテムフェアネスでは、アイテムをショートヘッド、ミッドテール、ロングテールグループに分割し、これらのアイテムグループの露出をユーザのトップkレコメンデーションリストにまとめる。
本研究は, 消費者と生産者の公正性を両立させることができず, 自然バイアスが原因と考えられる変数間のトレードオフが示唆されている。
論文 参考訳(メタデータ) (2022-02-27T08:02:19Z) - Deep Causal Reasoning for Recommendations [47.83224399498504]
推薦システム研究の新たなトレンドは、共同創設者の影響を因果的観点から否定することである。
提案手法は多因性マルチアウトカム(MCMO)推論問題としてモデル化する。
MCMOモデリングは,高次元因果空間に付随する観測が不十分なため,高いばらつきをもたらす可能性があることを示す。
論文 参考訳(メタデータ) (2022-01-06T15:00:01Z) - PURS: Personalized Unexpected Recommender System for Improving User
Satisfaction [76.98616102965023]
本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。
3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
論文 参考訳(メタデータ) (2021-06-05T01:33:21Z) - Probabilistic and Variational Recommendation Denoising [56.879165033014026]
暗黙のフィードバックから学ぶことは、推奨システムの適用において最も一般的なケースの1つである。
本稿では,暗黙のフィードバックに対する確率的・変動的推薦を提案する。
提案したDPIとDVAEを4つの最先端レコメンデーションモデルに適用し、3つのデータセットで実験を行う。
論文 参考訳(メタデータ) (2021-05-20T08:59:44Z) - 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)
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。