論文の概要: Batch versus Sequential Active Learning for Recommender Systems
- arxiv url: http://arxiv.org/abs/2201.07571v1
- Date: Wed, 19 Jan 2022 12:50:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-20 18:02:51.443791
- Title: Batch versus Sequential Active Learning for Recommender Systems
- Title（参考訳）: 推薦システムにおけるバッチ対逐次アクティブラーニング
- Authors: Toon De Pessemier, Sander Vanhove, Luc Martens
- Abstract要約: シーケンシャルモードは、高密度データセットに対して最も正確なレコメンデーションを生成する。
ほとんどのアクティブな学習者にとって、最良の予測器はシーケンシャルモードと組み合わせてFunkSVDであることが判明した。
- 参考スコア（独自算出の注目度）: 3.7796614675664397
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recommender systems have been investigated for many years, with the aim of
generating the most accurate recommendations possible. However, available data
about new users is often insufficient, leading to inaccurate recommendations;
an issue that is known as the cold-start problem. A solution can be active
learning. Active learning strategies proactively select items and ask users to
rate these. This way, detailed user preferences can be acquired and as a
result, more accurate recommendations can be offered to the user. In this
study, we compare five active learning algorithms, combined with three
different predictor algorithms, which are used to estimate to what extent the
user would like the item that is asked to rate. In addition, two modes are
tested for selecting the items: batch mode (all items at once), and sequential
mode (the items one by one). Evaluation of the recommender in terms of rating
prediction, decision support, and the ranking of items, showed that sequential
mode produces the most accurate recommendations for dense data sets.
Differences between the active learning algorithms are small. For most active
learners, the best predictor turned out to be FunkSVD in combination with
sequential mode.
- Abstract（参考訳）: もっとも正確なレコメンデーションを生成することを目的として、長年にわたってレコメンデーションシステムが調査されてきた。
しかし、新ユーザーに関するデータは不十分な場合が多く、不正確なレコメンデーション(コールドスタート問題として知られる問題)が発生する。
解決策は積極的学習である。
アクティブな学習戦略は積極的にアイテムを選択し、ユーザに評価を依頼する。
これにより、詳細なユーザの好みを取得することができ、その結果、より正確なレコメンデーションをユーザに提供できる。
本研究では,5つの能動学習アルゴリズムと3つの予測アルゴリズムを組み合わせて,質問された項目をどの程度の確率で評価するかを推定する。
さらに、バッチモード(全てのアイテムを一度に)とシーケンシャルモード(各アイテムを1つずつ)の2つのモードがテストされている。
評価予測,意思決定支援,項目のランク付けの観点からの推薦者の評価は,逐次モードが高密度データセットに対して最も正確なレコメンデーションを生成することを示した。
アクティブな学習アルゴリズムの違いは小さい。
ほとんどのアクティブな学習者にとって、最良の予測器はシーケンシャルモードと組み合わせてFunkSVDであることが判明した。
関連論文リスト
- Batch Active Learning of Reward Functions from Human Preferences [33.39413552270375]
嗜好に基づく学習は、ユーザが好みの質問をすることで、信頼できるラベル付けを可能にする。
アクティブクエリ手法は、より情報性の高いデータを生成するために、好みに基づく学習で一般的に使用される。
我々は,データサンプルを極力少なくして,報酬関数の効率的な学習を可能にする,新しいアルゴリズムのセットを開発した。
論文 参考訳（メタデータ） (2024-02-24T08:07:48Z) - Meta-Learning with Adaptive Weighted Loss for Imbalanced Cold-Start
Recommendation [4.379304291229695]
本稿では,勾配に基づくメタラーニングに基づく新しいシーケンシャルレコメンデーションフレームワークを提案する。
私たちの仕事は、コールドスタートシーケンシャルなレコメンデーションシナリオにおいて、不均衡な評価の影響に最初に取り組みます。
論文 参考訳（メタデータ） (2023-02-28T15:18:42Z) - Understanding or Manipulation: Rethinking Online Performance Gains of
Modern Recommender Systems [38.75457258877731]
本稿では,推薦アルゴリズムの操作度をベンチマークするフレームワークを提案する。
オンラインクリックスルー率が高いことは、必ずしもユーザーの初期嗜好をよりよく理解するという意味ではない。
我々は,制約付きユーザ嗜好操作による最適化問題として,将来のレコメンデーションアルゴリズムの研究を取り扱うべきであることを主張する。
論文 参考訳（メタデータ） (2022-10-11T17:56:55Z) - Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。
本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。
我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
論文 参考訳（メタデータ） (2022-07-04T17:49:25Z) - Meta-Wrapper: Differentiable Wrapping Operator for User Interest
Selection in CTR Prediction [97.99938802797377]
クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。
近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。
そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2022-06-28T03:28:15Z) - Efficient and Accurate Top-$K$ Recovery from Choice Data [1.14219428942199]
レコメンデーションシステムのようないくつかのアプリケーションでは、統計学者は主に大量のアイテムから上位のアイテムの集合を回収することに興味がある。
そこで本稿では,K$-recoveryの高速かつ高精度なランキングアルゴリズムとして,選択に基づくボルダカウントアルゴリズムを提案する。
選択に基づくボルダカウントアルゴリズムは,多種多様なランダム効用モデルの下で,上位$Kの回収に最適なサンプル複雑性を有することを示す。
論文 参考訳（メタデータ） (2022-06-23T22:05:08Z) - Modeling Dynamic User Preference via Dictionary Learning for Sequential
Recommendation [133.8758914874593]
ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。
浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。
本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
論文 参考訳（メタデータ） (2022-04-02T03:23:46Z) - Boosting the Learning for Ranking Patterns [6.142272540492935]
本稿では,多基準意思決定問題として,パターンランキング関数の学習問題を定式化する。
本手法は,対話型学習手法を用いて,異なる興味度尺度を1つの重み付き線形ランキング関数に集約する。
良く知られたデータセットを用いて行った実験は、我々のアプローチが実行時間を著しく短縮し、正確なパターンランキングを返すことを示している。
論文 参考訳（メタデータ） (2022-03-05T10:22:44Z) - Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。
メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。
MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
論文 参考訳（メタデータ） (2021-10-18T08:11:24Z) - Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。
我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。
私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
論文 参考訳（メタデータ） (2020-05-19T10:18:43Z) - Optimal Clustering from Noisy Binary Feedback [75.17453757892152]
本稿では,二元的ユーザフィードバックから一組のアイテムをクラスタリングする問題について検討する。
最小クラスタ回復誤差率のアルゴリズムを考案する。
適応選択のために,情報理論的誤差下界の導出にインスパイアされたアルゴリズムを開発する。
論文 参考訳（メタデータ） (2019-10-14T09:18:26Z)
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。