Fugu-MT 論文翻訳(概要): Generating Self-Serendipity Preference in Recommender Systems for Addressing Cold Start Problems

論文の概要: Generating Self-Serendipity Preference in Recommender Systems for Addressing Cold Start Problems

arxiv url: http://arxiv.org/abs/2204.12651v1
Date: Wed, 27 Apr 2022 01:29:47 GMT
ステータス: 処理完了
システム内更新日: 2022-04-28 23:36:55.891529
Title: Generating Self-Serendipity Preference in Recommender Systems for Addressing Cold Start Problems
Title（参考訳）: コールドスタート問題に対するレコメンダシステムにおける自己セレンディピティー選択の生成
Authors: Yuanbo Xu, Yongjian Yang, En Wang
Abstract要約: セレンディピティー指向のレコメンデーションシステムは,ユーザの自己セレンディピティー嗜好を生成し,レコメンデーション性能を高める。モデルは、ユーザの興味や満足度を抽出し、仮想的だが信じがたい隣人の好みを自己から生成し、自己セレンディピティーの好みを達成する。
参考スコア（独自算出の注目度）: 9.281057513518498
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Classical accuracy-oriented Recommender Systems (RSs) typically face the cold-start problem and the filter-bubble problem when users suffer the familiar, repeated, and even predictable recommendations, making them boring and unsatisfied. To address the above issues, serendipity-oriented RSs are proposed to recommend appealing and valuable items significantly deviating from users' historical interactions and thus satisfying them by introducing unexplored but relevant candidate items to them. In this paper, we devise a novel serendipity-oriented recommender system (\textbf{G}enerative \textbf{S}elf-\textbf{S}erendipity \textbf{R}ecommender \textbf{S}ystem, \textbf{GS$^2$-RS}) that generates users' self-serendipity preferences to enhance the recommendation performance. Specifically, this model extracts users' interest and satisfaction preferences, generates virtual but convincible neighbors' preferences from themselves, and achieves their self-serendipity preference. Then these preferences are injected into the rating matrix as additional information for RS models. Note that GS$^2$-RS can not only tackle the cold-start problem but also provides diverse but relevant recommendations to relieve the filter-bubble problem. Extensive experiments on benchmark datasets illustrate that the proposed GS$^2$-RS model can significantly outperform the state-of-the-art baseline approaches in serendipity measures with a stable accuracy performance.
Abstract（参考訳）: 古典的な精度指向のレコメンダシステム(RS)は、ユーザーが慣れ親しんだ、繰り返し、予測可能なレコメンデーションに苦しむとき、コールドスタート問題とフィルタバブル問題に直面し、退屈で満足できない。以上の問題に対処するため,セレンディピティー指向rssは,ユーザの歴史的相互作用から著しく逸脱した魅力や価値ある項目を推薦するために提案されている。本稿では、ユーザの自己セレンディピティー嗜好を生成する新しいセレンディピティー指向のレコメンデーションシステム(\textbf{G}enerative \textbf{S}elf-\textbf{S}erendipity \textbf{R}ecommender \textbf{S}ystem, \textbf{GS$^2$-RS})を考案し、レコメンデーション性能を向上させる。具体的には、ユーザの興味や満足度を抽出し、仮想的だが信頼できる隣人の好みを自己から生成し、自己セレンディピティーの好みを達成する。次に、これらの嗜好をRSモデルの追加情報として評価行列に注入する。 gs$^2$-rs はコールドスタート問題に対処できるだけでなく、フィルタバブル問題を緩和するための多様な適切な推奨を提供する。ベンチマークデータセットに対する大規模な実験により、提案したGS$^2$-RSモデルは、セレンディピティー測定における最先端のベースラインアプローチを、安定した精度性能で大幅に上回ることを示した。

関連論文リスト

Bursting Filter Bubble: Enhancing Serendipity Recommendations with Aligned Large Language Models [42.13005951072714]
大規模言語モデル (LLM) は、その広範な世界知識と推論能力により、セレンディピティー予測の可能性を示している。本稿では,認知プロファイル生成,セレンGPTアライメント,ニアライン適応の3段階からなるフレームワークSERALを提案する。オンライン実験によると、SERALはセレンディピティクスアイテムの露出率(PVR)、クリック、トランザクションを5.7%、29.56%、27.6%改善し、全体的な収益に大きな影響を与えずにユーザーエクスペリエンスを向上させる。
論文参考訳（メタデータ） (2025-02-19T08:47:42Z)
Towards Popularity-Aware Recommendation: A Multi-Behavior Enhanced Framework with Orthogonality Constraint [4.137753517504481]
Top-K$レコメンデーションは、潜伏したユーザの好みを推測し、パーソナライズされたレコメンデーションを生成する。マルチビヘイビアのtextbfSide textbfInformation を統合した textbfPopularity-aware top-$K$レコメンデーションアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-12-26T11:06:49Z)
Uncertainty-Penalized Direct Preference Optimization [52.387088396044206]
我々は、優先不確実性ペナル化スキームを導入し、DPOの悲観的な枠組みを開発する。ペナル化は、不確実なサンプルの損失勾配を減衰させる損失の補正として機能する。我々は,バニラDPOと比較して全体的な性能が向上し,高い不確実性選択/拒絶反応によるプロンプトの完成度も向上した。
論文参考訳（メタデータ） (2024-10-26T14:24:37Z)
FedRec+: Enhancing Privacy and Addressing Heterogeneity in Federated Recommendation Systems [15.463595798992621]
FedRec+は、フェデレーションレコメンデーションシステムのためのアンサンブルフレームワークである。プライバシーを強化し、エッジユーザの通信コストを低減します。 FedRec+の最先端性能を示す実験結果が得られた。
論文参考訳（メタデータ） (2023-10-31T05:36:53Z)
Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。 AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
論文参考訳（メタデータ） (2022-09-22T04:32:51Z)
Control Variates for Slate Off-Policy Evaluation [112.35528337130118]
多次元動作を伴うバッチ化されたコンテキスト帯域データから政治外評価の問題について検討する。我々は, PIと自己正規化PIの双方に対して, リスク改善を保証した新しい推定器を得る。
論文参考訳（メタデータ） (2021-06-15T06:59:53Z)
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)
Latent Unexpected Recommendations [89.2011481379093]
ユーザとアイテムの埋め込みの潜伏した空間における予測性をモデル化し、新しいレコメンデーションと歴史的購入の間の隠れた複雑な関係を捉えることを提案する。さらに,ハイブリッドユーティリティ機能の構築と,提案モデルに基づく予期せぬ推薦を行うための新しい潜在クロージャ(LC)手法を開発した。
論文参考訳（メタデータ） (2020-07-27T02:39:30Z)
Convolutional Gaussian Embeddings for Personalized Recommendation with Uncertainty [17.258674767363345]
既存の埋め込みベースのレコメンデーションモデルは、低次元空間における単一の固定点に対応する埋め込みを使用する。本稿では,不確実な嗜好に適応することが証明されたガウス埋め込みを用いた統合された深層推薦フレームワークを提案する。本フレームワークでは,モンテカルロサンプリングと畳み込みニューラルネットワークを用いて,対象ユーザと候補項目の相関関係を計算する。
論文参考訳（メタデータ） (2020-06-19T02:10:38Z)
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。