論文の概要: Discovering Personalized Semantics for Soft Attributes in Recommender
Systems using Concept Activation Vectors
- arxiv url: http://arxiv.org/abs/2202.02830v1
- Date: Sun, 6 Feb 2022 18:45:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-09 07:23:11.655983
- Title: Discovering Personalized Semantics for Soft Attributes in Recommender
Systems using Concept Activation Vectors
- Title(参考訳): 概念活性化ベクトルを用いたレコメンダシステムにおけるソフト属性のパーソナライズされたセマンティクスの発見
- Authors: Christina G\"opfert and Yinlam Chow and Chih-wei Hsu and Ivan Vendrov
and Tyler Lu and Deepak Ramachandran and Craig Boutilier
- Abstract要約: 本研究では,このような属性のセマンティクスを捉える表現を学習し,対話型レコメンデータシステムにおけるユーザの好みや行動に結びつけるフレームワークを開発する。
このアプローチの新たな特徴は、目的属性と主観属性を区別し、異なる感覚を異なるユーザと関連付ける能力である。
- 参考スコア(独自算出の注目度): 23.015574176236406
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Interactive recommender systems (RSs) allow users to express intent,
preferences and contexts in a rich fashion, often using natural language. One
challenge in using such feedback is inferring a user's semantic intent from the
open-ended terms used to describe an item, and using it to refine
recommendation results. Leveraging concept activation vectors (CAVs) [21], we
develop a framework to learn a representation that captures the semantics of
such attributes and connects them to user preferences and behaviors in RSs. A
novel feature of our approach is its ability to distinguish objective and
subjective attributes and associate different senses with different users.
Using synthetic and real-world datasets, we show that our CAV representation
accurately interprets users' subjective semantics, and can improve
recommendations via interactive critiquing
- Abstract(参考訳): interactive recommender systems (rss) は、ユーザがインテント、好み、コンテキストをリッチな方法で表現できる。
このようなフィードバックを使用する上での課題のひとつは、アイテムを記述するために使用されるオープンな用語からユーザのセマンティックインテントを推測し、それをレコメンデーション結果の洗練に使用することだ。
概念アクティベーションベクトル (CAV) [21] を活用して, それらの属性のセマンティクスをキャプチャし, ユーザの好みや行動に結び付ける表現を学習するフレームワークを開発する。
このアプローチの新たな特徴は、目的属性と主観属性を区別し、異なる感覚を異なるユーザと関連付ける能力である。
合成データと実世界のデータを用いて,我々のcav表現がユーザの主観的意味を正しく解釈し,対話的評価を通じてレコメンデーションを改善できることを示す。
関連論文リスト
- Beyond Thumbs Up/Down: Untangling Challenges of Fine-Grained Feedback for Text-to-Image Generation [67.88747330066049]
きめ細かいフィードバックは、画像の品質と迅速な調整におけるニュアンスドの区別を捉えます。
粗いフィードバックに対する優位性を示すことは、自動ではないことを示す。
きめ細かいフィードバックを抽出し活用する上で重要な課題を特定します。
論文 参考訳(メタデータ) (2024-06-24T17:19:34Z) - RecExplainer: Aligning Large Language Models for Explaining Recommendation Models [50.74181089742969]
大規模言語モデル (LLM) は、理解、推論、指導において顕著な知性を示した。
本稿では, ブラックボックスレコメンデータモデルを説明するために, LLM を代理モデルとして利用することについて検討する。
効果的なアライメントを容易にするために,行動アライメント,意図アライメント,ハイブリッドアライメントという3つの手法を導入する。
論文 参考訳(メタデータ) (2023-11-18T03:05:43Z) - Preference Elicitation with Soft Attributes in Interactive
Recommendation [39.74528988497788]
本研究では,ソフト属性を適応し,アイテムと属性に基づく嗜好を引き出す新しい選好選好方法を提案する。
提案手法は,商品とソフト属性の両方を用いてユーザに対してクエリを行い,レコメンデーション品質を改善するために,レコメンデーションシステムの好みに対する信念を更新する。
論文 参考訳(メタデータ) (2023-10-22T17:23:20Z) - Reformulating Sequential Recommendation: Learning Dynamic User Interest with Content-enriched Language Modeling [18.297332953450514]
本稿では、事前学習した言語モデルの意味理解機能を活用してパーソナライズされたレコメンデーションを生成するLANCERを提案する。
我々のアプローチは、言語モデルとレコメンデーションシステムの間のギャップを埋め、より人間的なレコメンデーションを生み出します。
論文 参考訳(メタデータ) (2023-09-19T08:54:47Z) - Knowledge-grounded Natural Language Recommendation Explanation [11.58207109487333]
自然言語の説明可能なレコメンデーションに対する知識グラフ(KG)アプローチを提案する。
提案手法は,新しいコラボレーティブフィルタリングに基づくKG表現により,ユーザイテムの特徴を引き出す。
実験結果から,提案手法は,従来の自然言語説明推薦モデルよりも一貫して優れていたことが示唆された。
論文 参考訳(メタデータ) (2023-08-30T07:36:12Z) - Explainable Recommender with Geometric Information Bottleneck [25.703872435370585]
本稿では,ユーザ-イテム相互作用から学習した幾何学的事前学習を変分ネットワークに組み込むことを提案する。
個々のユーザとイテムペアからの遅延因子は、レコメンデーションと説明生成の両方に使用することができる。
3つの電子商取引データセットの実験結果から,我々のモデルは変分レコメンデータの解釈可能性を大幅に向上させることが示された。
論文 参考訳(メタデータ) (2023-05-09T10:38:36Z) - Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。
しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。
したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
論文 参考訳(メタデータ) (2022-11-17T19:00:24Z) - Improving Conversational Recommender Systems via Knowledge Graph based
Semantic Fusion [77.21442487537139]
対話型レコメンデータシステム(CRS)は,対話型対話を通じて高品質なアイテムをユーザに推薦することを目的としている。
まず、会話データ自体にユーザの好みを正確に理解するための十分なコンテキスト情報がない。
第二に、自然言語表現とアイテムレベルのユーザ嗜好の間には意味的なギャップがある。
論文 参考訳(メタデータ) (2020-07-08T11:14:23Z) - Feature Interaction Interpretability: A Case for Explaining
Ad-Recommendation Systems via Neural Interaction Detection [14.37985060340549]
ブラックボックスレコメンデータシステムの予測を解釈・拡張する手法を提案する。
また,レコメンデータシステムの構造を仮定しないので,一般的な設定で利用することができる。
論文 参考訳(メタデータ) (2020-06-19T05:14:34Z) - Seamlessly Unifying Attributes and Items: Conversational Recommendation
for Cold-Start Users [111.28351584726092]
コールドスタートユーザに対しては,属性を問うと同時に,ユーザに対して対話的に商品を推薦する,対話型レコメンデーションを提案する。
会話型トンプソンサンプリング(ConTS)モデルでは,最大報酬の腕を選択することで,対話型レコメンデーションにおけるすべての質問を一意に解決する。
論文 参考訳(メタデータ) (2020-05-23T08:56:37Z) - Reward Constrained Interactive Recommendation with Natural Language
Feedback [158.8095688415973]
制約強化強化学習(RL)フレームワークを提案する。
具体的には,ユーザの過去の嗜好に反するレコメンデーションを検出するために,識別器を利用する。
提案するフレームワークは汎用的であり,制約付きテキスト生成のタスクにさらに拡張されている。
論文 参考訳(メタデータ) (2020-05-04T16:23:34Z)
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。