論文の概要: Two-Stage Neural Contextual Bandits for Personalised News Recommendation

• arxiv url: http://arxiv.org/abs/2206.14648v1
• Date: Sun, 26 Jun 2022 12:07:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-30 20:58:35.987538
• Title: Two-Stage Neural Contextual Bandits for Personalised News Recommendation
• Title（参考訳）: パーソナライズドニュースレコメンデーションのための2段階ニューラルコンテキストバンディット
• Authors: Mengyan Zhang, Thanh Nguyen-Tang, Fangzhao Wu, Zhenyu He, Xing Xie, Cheng Soon Ong
• Abstract要約: 既存のパーソナライズされたニュースレコメンデーション手法は、ユーザの興味を搾取することに集中し、レコメンデーションにおける探索を無視する。 我々は、エクスプロイトと探索のトレードオフに対処する文脈的包括的レコメンデーション戦略に基づいて構築する。 我々はユーザとニュースにディープラーニング表現を使用し、ニューラルアッパー信頼境界(UCB)ポリシーを一般化し、加法的 UCB と双線形 UCB を一般化する。
• 参考スコア（独自算出の注目度）: 50.3750507789989
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problem of personalised news recommendation where each user consumes news in a sequential fashion. Existing personalised news recommendation methods focus on exploiting user interests and ignores exploration in recommendation, which leads to biased feedback loops and hurt recommendation quality in the long term. We build on contextual bandits recommendation strategies which naturally address the exploitation-exploration trade-off. The main challenges are the computational efficiency for exploring the large-scale item space and utilising the deep representations with uncertainty. We propose a two-stage hierarchical topic-news deep contextual bandits framework to efficiently learn user preferences when there are many news items. We use deep learning representations for users and news, and generalise the neural upper confidence bound (UCB) policies to generalised additive UCB and bilinear UCB. Empirical results on a large-scale news recommendation dataset show that our proposed policies are efficient and outperform the baseline bandit policies.
• Abstract（参考訳）: 我々は、各ユーザーが連続的にニュースを消費するパーソナライズされたニュースレコメンデーションの問題を考える。 既存のパーソナライズされたニュースレコメンデーション手法は、ユーザの興味を搾取することに集中し、レコメンデーションにおける探索を無視し、バイアスのあるフィードバックループを導き、長期的なレコメンデーション品質を損なう。 我々は、エクスプロイトと探索のトレードオフに対処する文脈的包括的レコメンデーション戦略に基づいて構築する。 主な課題は、大規模アイテム空間を探索し、不確実性のある深層表現を利用するための計算効率である。 本稿では,ニュース項目が多い場合にユーザの好みを効率的に学習する2段階の階層型トピックニューズディープコンテキストブレイトフレームワークを提案する。 我々はユーザとニュースにディープラーニング表現を使用し、ニューラルアッパー信頼境界(UCB)ポリシーを一般化し、加法的 UCB と双線形 UCB を一般化する。 大規模ニュースレコメンデーションデータセットにおける実証結果から,提案するポリシが効率的で,ベースラインのバンディットポリシを上回っています。

関連論文リスト

• Neural Contextual Bandits for Personalized Recommendation [49.85090929163639]
  本チュートリアルでは、パーソナライズされたレコメンデーションのための強力なフレームワークとして、コンテキスト帯について検討する。 我々は、リコメンデーターシステムにおける「マシュー効果」を緩和するために、文脈的盗賊の探索的視点に焦点を当てる。 従来の線形文脈包帯に加えて、我々は神経文脈包帯にも焦点をあてる。
  論文  参考訳（メタデータ） (2023-12-21T17:03:26Z)
• DOR: A Novel Dual-Observation-Based Approach for News Recommendation Systems [2.7648976108201815]
  本稿では,ニュースレコメンデーションの問題に対処する新しい手法を提案する。 我々のアプローチは二重観測の考え方に基づいている。 ニュースの内容とユーザの視点の両方を考慮することで、よりパーソナライズされた正確なレコメンデーションを提供することができる。
  論文  参考訳（メタデータ） (2023-02-02T22:16:53Z)
• IGNiteR: News Recommendation in Microblogging Applications (Extended Version) [3.2108350580418166]
  我々は、インフルエンスグラフニュースレコメンダ(IGNiteR)と呼ばれる、拡散と影響を意識したディープラーニングに基づくアプローチを提案する。 このニュースを表現するために、マルチレベルアテンションベースのエンコーダを使用して、ユーザの異なる関心事を明らかにする。 実世界の2つのデータセットに対して広範な実験を行い、IGNiteRが最先端のディープラーニングベースのニュースレコメンデーション手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-04T22:33:58Z)
• Neural News Recommendation with Event Extraction [0.0]
  オンラインニュースレコメンデーションの重要な課題は、ユーザーが興味のある記事を見つけるのを助けることだ。 従来のニュースレコメンデーション手法では、ニュースやユーザ表現をエンコードするには不十分な単一ニュース情報を使用することが多い。 本稿では,これらの欠点を克服するためのイベント抽出に基づくニュースレコメンデーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-09T11:56:38Z)
• PipAttack: Poisoning Federated Recommender Systems forManipulating Item Promotion [58.870444954499014]
  一般的な実践は、分散化された連邦学習パラダイムの下でレコメンデーターシステムをサブスクライブすることである。 本稿では,対象項目の促進のために,フェデレートされたレコメンデータシステムをバックドア化するための体系的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-10-21T06:48:35Z)
• Aspect-driven User Preference and News Representation Learning for News Recommendation [9.187076140490902]
  ニュースレコメンダシステムは、通常、ユーザーのトピックレベルの表現とレコメンデーションのためのニュースを学習する。 本稿では,アスペクトレベルのユーザ嗜好とニュース表現学習に基づく,アスペクト駆動型ニューズレコメンダシステム(ANRS)を提案する。
  論文  参考訳（メタデータ） (2021-10-12T07:38:54Z)
• Fairness-Aware Explainable Recommendation over Knowledge Graphs [73.81994676695346]
  ユーザのアクティビティのレベルに応じて異なるグループのユーザを分析し、異なるグループ間での推奨パフォーマンスにバイアスが存在することを確認する。 不活性なユーザは、不活性なユーザのためのトレーニングデータが不十分なため、不満足なレコメンデーションを受けやすい可能性がある。 本稿では、知識グラフに対する説明可能な推奨という文脈で、この問題を緩和するために再ランク付けすることで、公平性に制約されたアプローチを提案する。
  論文  参考訳（メタデータ） (2020-06-03T05:04:38Z)
• 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)
• A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
  我々は知識グラフに基づく推薦システムの体系的な調査を行う。 論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。 これらの作業で使用されるデータセットを紹介します。
  論文  参考訳（メタデータ） (2020-02-28T02:26:30Z)

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。