論文の概要: Utilizing Textual Reviews in Latent Factor Models for Recommender
Systems
- arxiv url: http://arxiv.org/abs/2111.08538v1
- Date: Tue, 16 Nov 2021 15:07:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-17 14:04:51.436533
- Title: Utilizing Textual Reviews in Latent Factor Models for Recommender
Systems
- Title（参考訳）: リコメンダシステムの潜在因子モデルにおけるテキストレビューの利用
- Authors: Tatev Karen Aslanyan, Flavius Frasincar
- Abstract要約: 本稿では,テキストレビューに基づく評価モデリング手法とトピックモデリング手法を組み合わせたレコメンデーションアルゴリズムを提案する。
サイズが異なるAmazon.comデータセットを用いてアルゴリズムの性能を評価し,23の製品カテゴリに対応する。
- 参考スコア（独自算出の注目度）: 1.7361353199214251
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most of the existing recommender systems are based only on the rating data,
and they ignore other sources of information that might increase the quality of
recommendations, such as textual reviews, or user and item characteristics.
Moreover, the majority of those systems are applicable only on small datasets
(with thousands of observations) and are unable to handle large datasets (with
millions of observations). We propose a recommender algorithm that combines a
rating modelling technique (i.e., Latent Factor Model) with a topic modelling
method based on textual reviews (i.e., Latent Dirichlet Allocation), and we
extend the algorithm such that it allows adding extra user- and item-specific
information to the system. We evaluate the performance of the algorithm using
Amazon.com datasets with different sizes, corresponding to 23 product
categories. After comparing the built model to four other models we found that
combining textual reviews with ratings leads to better recommendations.
Moreover, we found that adding extra user and item features to the model
increases its prediction accuracy, which is especially true for medium and
large datasets.
- Abstract（参考訳）: 既存のレコメンデータシステムのほとんどはレーティングデータのみに基づいており、テキストレビューやユーザやアイテムの特徴などのレコメンデーションの品質を高める可能性のある他の情報源を無視している。
さらに、これらのシステムの大部分は、小さなデータセット(数千の観測)にのみ適用でき、大規模なデータセット(数百万の観測)を処理できない。
本稿では,テキストレビューに基づくトピックモデリング手法(遅延因子モデル)と,テキストレビューに基づくトピックモデリング手法(遅延ディリクレ割当)を組み合わせたレコメンデータアルゴリズムを提案する。
サイズが異なるAmazon.comデータセットを用いてアルゴリズムの性能を評価し,23の製品カテゴリに対応する。
ビルトモデルと他の4つのモデルを比較した結果、テキストレビューとレーティングを組み合わせることで、より良いレコメンデーションが得られました。
さらに、モデルに追加のユーザ・アイテム機能を追加することで予測精度が向上し、特に中規模・大規模データセットに当てはまることがわかった。
関連論文リスト
- Making Recommender Systems More Knowledgeable: A Framework to Incorporate Side Information [5.033504076393256]
本稿では,商品別サイド情報をレコメンダシステムに組み込んでパフォーマンスを高めるための汎用フレームワークを提案する。
副次的な情報により、我々の推薦システムは最先端のモデルよりもかなりのマージンで優れていることを示す。
また、リコメンデータシステムで使用される注意機構を標準化し、モデル性能への影響を評価するために、新しいタイプの損失を提案する。
論文 参考訳（メタデータ） (2024-06-02T04:33:52Z) - Ada-Retrieval: An Adaptive Multi-Round Retrieval Paradigm for Sequential
Recommendations [50.03560306423678]
本稿では,レコメンダシステムのための適応型マルチラウンド検索パラダイムであるAda-Retrievalを提案する。
Ada-Retrievalは、ユーザー表現を反復的に洗練し、全項目領域の潜在的な候補をよりよく捉えます。
論文 参考訳（メタデータ） (2024-01-12T15:26:40Z) - EvalCrafter: Benchmarking and Evaluating Large Video Generation Models [70.19437817951673]
これらのモデルはしばしば、マルチアスペクト能力を持つ非常に大きなデータセットで訓練されているので、単純な指標から大きな条件生成モデルを判断することは困難である、と我々は主張する。
我々のアプローチは、テキスト・ツー・ビデオ生成のための700のプロンプトの多種多様な包括的リストを作成することである。
そこで我々は、視覚的品質、コンテンツ品質、動作品質、テキスト・ビデオアライメントの観点から、慎重に設計されたベンチマークに基づいて、最先端のビデオ生成モデルを評価する。
論文 参考訳（メタデータ） (2023-10-17T17:50:46Z) - Opinion mining using Double Channel CNN for Recommender System [0.0]
深層学習モデルを用いた感情分析のアプローチを提案し,それを製品に推奨する。
意見マイニングには2チャネル畳み込みニューラルネットワークモデルが使用されており、5つのレイヤを持ち、データから重要な特徴を抽出する。
提案手法の精度は91.6%に達し, 従来のアスペクトベース手法に比べて有意に向上した。
論文 参考訳（メタデータ） (2023-07-15T13:11:18Z) - How Far Can Camels Go? Exploring the State of Instruction Tuning on Open
Resources [117.6496550359768]
この研究は、オープンな命令追従データセットにおける命令チューニング言語モデルの最近の進歩を探求する。
我々は、12の命令データセットに基づいて訓練された6.7Bから65Bのパラメータを含む、命令調整されたモデルの大規模なセットを提供する。
それらの事実的知識、推論、多言語性、コーディング、そしてその後に続くオープン・エンド・インストラクションに基づいて評価する。
論文 参考訳（メタデータ） (2023-06-07T19:59:23Z) - infoVerse: A Universal Framework for Dataset Characterization with
Multidimensional Meta-information [68.76707843019886]
infoVerseは、データセットの特徴付けのための普遍的なフレームワークである。
infoVerseは、様々なモデル駆動メタ情報を統合することで、データセットの多次元特性をキャプチャする。
実世界の3つのアプリケーション(データプルーニング、アクティブラーニング、データアノテーション)において、infoVerse空間で選択されたサンプルは、強いベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2023-05-30T18:12:48Z) - Attentive Graph-based Text-aware Preference Modeling for Top-N
Recommendation [2.3991565023534083]
我々はAttentive Graph-based Text-aware Recommendation Model (AGTM) という新しいモデルを提案する。
本研究では,項目テキストコンテンツと高次接続性の両方を効果的にモデル化し,トップNレコメンデーションをさらに改善することを目的としている。
論文 参考訳（メタデータ） (2023-05-22T12:32:06Z) - Augmenting the User-Item Graph with Textual Similarity Models [9.703969546479954]
パラフレーズ類似性モデルは、レビューや製品記述など、広く利用可能なテキストデータに適用される。
これにより、さらにラベル付けされたデータを必要としないグラフの密度が増加する。
その結果、データ拡張技術はあらゆる種類のモデルに大幅な改善をもたらすことがわかった。
論文 参考訳（メタデータ） (2021-09-20T08:23:05Z) - 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) - Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。
1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。
各種データセットを用いた実験により,提案手法が最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-04-11T03:25:25Z) - Network-based models for social recommender systems [0.0]
この章では、リコメンデーションのための主要なアプローチを上回る厳格なネットワークベースモデルについて検討する。
アイテムに対する個々のユーザの嗜好の正確な予測は、異なる方法論によって達成できる。
論文 参考訳（メタデータ） (2020-02-10T13:06:22Z)
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。