論文の概要: Sequential/Session-based Recommendations: Challenges, Approaches,
Applications and Opportunities
- arxiv url: http://arxiv.org/abs/2205.10759v1
- Date: Sun, 22 May 2022 06:17:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-30 04:35:15.068838
- Title: Sequential/Session-based Recommendations: Challenges, Approaches,
Applications and Opportunities
- Title(参考訳): シーケンシャル/セッションベースのレコメンデーション:挑戦、アプローチ、アプリケーション、機会
- Authors: Shoujin Wang, Qi Zhang, Liang Hu, Xiuzhen Zhang, Yan Wang, Charu
Aggarwal
- Abstract要約: シーケンシャルレコメンダシステム(SRS)とセッションベースレコメンダシステム(SBRS)は、RSの新しいパラダイムとして登場した。
この領域には、さまざまな説明、設定、前提、アプリケーションドメインによって、多くの矛盾がある。
この研究は、このエキサイティングで活気ある領域のさらなる研究を促進するために、これらのギャップを埋めることを目的としている。
- 参考スコア(独自算出の注目度): 20.968084179750143
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, sequential recommender systems (SRSs) and session-based
recommender systems (SBRSs) have emerged as a new paradigm of RSs to capture
users' short-term but dynamic preferences for enabling more timely and accurate
recommendations. Although SRSs and SBRSs have been extensively studied, there
are many inconsistencies in this area caused by the diverse descriptions,
settings, assumptions and application domains. There is no work to provide a
unified framework and problem statement to remove the commonly existing and
various inconsistencies in the area of SR/SBR. There is a lack of work to
provide a comprehensive and systematic demonstration of the data
characteristics, key challenges, most representative and state-of-the-art
approaches, typical real-world applications and important future research
directions in the area. This work aims to fill in these gaps so as to
facilitate further research in this exciting and vibrant area.
- Abstract(参考訳): 近年,SRS とセッションベースレコメンデーションシステム (SBRS) は,よりタイムリーかつ正確なレコメンデーションを可能にするために,ユーザの短期的かつ動的な嗜好を捉えるため,RS の新しいパラダイムとして登場した。
SRSとSBRSは広く研究されているが、この領域には様々な説明、設定、仮定、アプリケーションドメインに起因する多くの矛盾がある。
SR/SBRの領域で一般的に存在する様々な矛盾を取り除くための統一されたフレームワークと問題ステートメントを提供する作業はない。
データ特性、鍵となる課題、最も代表的かつ最先端のアプローチ、典型的な実世界の応用、そしてこの分野における重要な研究の方向性を包括的かつ体系的に示すための作業が欠如している。
この研究は、このエキサイティングで活気ある領域のさらなる研究を促進するために、これらのギャップを埋めることを目的としている。
関連論文リスト
- EASRec: Elastic Architecture Search for Efficient Long-term Sequential
Recommender Systems [82.76483989905961]
現在のSRS(Sequential Recommender Systems)は、計算とリソースの非効率に悩まされている。
我々は、効率的な長期シーケンスレコメンダシステム(EASRec)のための弾性アーキテクチャー探索を開発する。
EASRecは、入力データバッチから履歴情報を活用するデータ認識ゲートを導入し、レコメンデーションネットワークの性能を改善する。
論文 参考訳(メタデータ) (2024-02-01T07:22:52Z) - Towards Open-world Cross-Domain Sequential Recommendation: A
Model-Agnostic Contrastive Denoising Approach [16.630686688097967]
クロスドメインシーケンシャルレコメンデーション(CDSR)は、従来のシーケンシャルレコメンデーション(SR)システムに存在するデータ空間の問題に対処することを目的としている。
現実世界のレコメンデーションシステムでは、CDSRシナリオは通常、疎い振る舞いを持つ長い尾を持つユーザーの大多数と、一つのドメインにしか存在しないコールドスタートユーザーで構成される。
論文 参考訳(メタデータ) (2023-11-08T15:33:06Z) - When Search Meets Recommendation: Learning Disentangled Search
Representation for Recommendation [56.98380787425388]
シークエンシャルレコメンデーション(SESRec)のための検索強化フレームワークを提案する。
SESRec は、S&R の振る舞いにおいて類似および異種表現を分離する。
産業用と公共用両方のデータセットの実験では、SESRecが最先端のモデルより一貫して優れていることが示されている。
論文 参考訳(メタデータ) (2023-05-18T09:04:50Z) - Best Arm Identification for Stochastic Rising Bandits [93.12525232849706]
Rising Bandits (SRBs) は、選択肢の期待される報酬が選択されるたびに増加する、シーケンシャルな意思決定の問題をモデル化する。
本稿では,SRBの固定予算ベストアーム識別(BAI)問題に焦点をあてる。
提案手法は,UCBライクなアプローチを取り入れたR-UCBEと,連続的なリジェクション手順を用いたR-SRという2つのアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-02-15T08:01:37Z) - Choosing the Best of Both Worlds: Diverse and Novel Recommendations
through Multi-Objective Reinforcement Learning [68.45370492516531]
本稿では,Recommender Systems (RS) 設定のための拡張多目的強化学習(SMORL)を紹介する。
SMORLエージェントは、標準レコメンデーションモデルを拡張し、RLレイヤーを追加し、3つの主要な目的(正確性、多様性、新しいレコメンデーション)を同時に満たすように強制する。
実世界の2つのデータセットに対する実験結果から,集約的多様性の顕著な増加,精度の適度な向上,レコメンデーションの反復性の低下,および相補的目的としての多様性と新規性の強化の重要性が示された。
論文 参考訳(メタデータ) (2021-10-28T13:22:45Z) - A Survey on Open Set Recognition [0.0]
オープンセット認識(OSR)とは、トレーニング中にモデルから学ばなかった未知の状況を扱うことである。
本稿では、OSRに関する既存の研究について調査を行い、それぞれの利点と欠点を区別する。
実世界の未知のインスタンスをOSRが適切に扱えることは、トレーニングデータ中の全てのクラスをキャプチャすることは現実的ではない、と結論付けている。
論文 参考訳(メタデータ) (2021-08-18T16:40:03Z) - Session-aware Recommendation: A Surprising Quest for the
State-of-the-art [6.617487928813376]
セッション対応レコメンデーションは、ユーザの長期的な好みに応じてパーソナライズすることができる。
我々は最近のセッション認識アルゴリズムを互いに比較し、セッションベースの推薦アルゴリズムと比較した。
我々の研究は、より洗練されたセッション対応レコメンデーションアルゴリズムには、まだ大きな可能性を秘めていることを示している。
論文 参考訳(メタデータ) (2020-11-06T15:18:01Z) - Deep Conversational Recommender Systems: A New Frontier for
Goal-Oriented Dialogue Systems [54.06971074217952]
Conversational Recommender System (CRS)は対話型対話を通じてユーザの好みを学習し、モデル化する。
ディープラーニングアプローチはCRSに適用され、実りある結果を生み出した。
論文 参考訳(メタデータ) (2020-04-28T02:20:42Z) - Recommender Systems Based on Generative Adversarial Networks: A
Problem-Driven Perspective [27.11589218811911]
GAN(Generative Adversarial Network)は、複雑な実データ分布を学習する能力の強いため、多くの分野への関心が高まっている。
本稿では,これらのモデルの分類と,それらの詳細な記述と利点を提案する。
論文 参考訳(メタデータ) (2020-03-05T08:05:38Z) - Sequential Recommender Systems: Challenges, Progress and Prospects [50.12218578518894]
シーケンシャルレコメンダシステム(SRS)は、シーケンシャルなユーザ行動、ユーザとアイテム間の相互作用、ユーザの好みとアイテムの人気の時間的変化を理解し、モデル化しようとする。
まず, SRSの特徴を概説し, 研究領域における課題をまとめ, 分類し, そして, 最新の研究成果と代表的研究成果から, 対応する研究の進展を概説する。
論文 参考訳(メタデータ) (2019-12-28T05:12:28Z)
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。