論文の概要: A Scalable Recommendation Engine for New Users and Items
- arxiv url: http://arxiv.org/abs/2209.06128v1
- Date: Tue, 6 Sep 2022 14:59:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 17:50:45.235373
- Title: A Scalable Recommendation Engine for New Users and Items
- Title(参考訳): 新規ユーザとアイテムのためのスケーラブルなレコメンデーションエンジン
- Authors: Boya Xu, Yiting Deng, and Carl Mela
- Abstract要約: 属性(A)レコメンデーションシステム(CFB-A)による協調フィルタリング(CF)マルチアームバンド(B)
本稿では,A(A)レコメンデーションシステム(CFB-A)を用いた協調フィルタリング(CF)マルチアームバンド(B)を提案する。
MovieLensデータに対するオフラインテスト、合成データシミュレーション、オンライン食料品実験などの実証的な応用は、CFB-Aが累積平均報酬を大幅に改善することを示している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In many digital contexts such as online news and e-tailing with many new
users and items, recommendation systems face several challenges: i) how to make
initial recommendations to users with little or no response history (i.e.,
cold-start problem), ii) how to learn user preferences on items (test and
learn), and iii) how to scale across many users and items with myriad
demographics and attributes. While many recommendation systems accommodate
aspects of these challenges, few if any address all. This paper introduces a
Collaborative Filtering (CF) Multi-armed Bandit (B) with Attributes (A)
recommendation system (CFB-A) to jointly accommodate all of these
considerations. Empirical applications including an offline test on MovieLens
data, synthetic data simulations, and an online grocery experiment indicate the
CFB-A leads to substantial improvement on cumulative average rewards (e.g.,
total money or time spent, clicks, purchased quantities, average ratings, etc.)
relative to the most powerful extant baseline methods.
- Abstract(参考訳): オンラインニュースやe-tailingといった多くのデジタルコンテキストにおいて、レコメンデーションシステムはいくつかの課題に直面している。
一 ほとんど又は全く応答履歴がないユーザー(すなわち、コールドスタート問題)に初期レコメンデーションを施す方法
二 項目(試験及び学習)におけるユーザの嗜好の学習方法、及び
三 多様な人口統計や属性を持つ多くのユーザやアイテムをスケールする方法。
多くのレコメンデーションシステムはこれらの課題の側面に適合するが、全てに対処できるものはほとんどない。
本稿では,A(A)レコメンデーションシステム(CFB-A)を用いた協調フィルタリング(CF)マルチアームバンド(B)を提案する。
MovieLensデータに対するオフラインテスト、合成データシミュレーション、オンライン食料品実験などの実証的応用は、CFB-Aが、最も強力なベースライン手法と比較して累積平均報酬(例えば、合計金額や時間、クリック数、購入量、平均評価など)を大幅に改善することを示している。
関連論文リスト
- Multi-View Interactive Collaborative Filtering [0.0]
本稿では、評価情報と文脈情報の両方を組み込んだ、新しいオンライン潜在因子推薦アルゴリズムを提案する。
MV-ICTRは、コールドスタートユーザやアイテムの比率が高いデータセットの性能を著しく向上させる。
論文 参考訳(メタデータ) (2023-05-14T20:31:37Z) - Sequence-aware item recommendations for multiply repeated user-item
interactions [0.0]
項目推薦のタスクにおいて時間次元を誘導するレコメンデータシステムを設計する。
推薦を行うために、各ユーザに対するアイテムインタラクションのシーケンスを検討する。
本手法は,小売環境におけるユーザとユーザ間のインタラクションを高精度に予測する試みである。
論文 参考訳(メタデータ) (2023-04-02T17:06:07Z) - The Minority Matters: A Diversity-Promoting Collaborative Metric
Learning Algorithm [154.47590401735323]
CML(Collaborative Metric Learning)は、リコメンデーションシステムにおいて人気のある手法として最近登場した。
本稿では,ユーザが複数のカテゴリの関心を持つ,困難なシナリオに焦点をあてる。
textitDiversity-Promoting Collaborative Metric Learning (DPCML) と呼ばれる新しい手法を提案する。
論文 参考訳(メタデータ) (2022-09-30T08:02:18Z) - Broad Recommender System: An Efficient Nonlinear Collaborative Filtering
Approach [56.12815715932561]
我々はBroad Collaborative Filtering (BroadCF)と呼ばれる新しい広帯域リコメンデータシステムを提案する。
深層ニューラルネットワーク(DNN)の代わりに、ユーザとアイテム間の複雑な非線形関係を学習するためのマッピング機能として、Broad Learning System(BLS)が使用されている。
7つのベンチマークデータセットで実施された大規模な実験により、提案したBroadCFアルゴリズムの有効性が確認された。
論文 参考訳(メタデータ) (2022-04-20T01:25:08Z) - 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) - Dynamic Slate Recommendation with Gated Recurrent Units and Thompson
Sampling [6.312395952874578]
我々は,インターネットプラットフォームのユーザに対して,アイテムリストとしてslatesという,関連するコンテンツを推薦する問題を考える。
本稿では,インターネットプラットフォームとユーザ間のインタラクションの時系列に作用する変分ベイズ型リカレントニューラルネットレコメンデータシステムを提案する。
我々は,探索的レコメンデーション戦略が,同程度以上の欲望に対して有効であることを実験的に示す。
論文 参考訳(メタデータ) (2021-04-30T15:16:35Z) - Measuring Recommender System Effects with Simulated Users [19.09065424910035]
人気バイアスとフィルターバブルは、最もよく研究されているシステムバイアスの2つです。
各種ユーザ行動下におけるレコメンダーシステムの影響を測定するためのシミュレーションフレームワークを提供します。
論文 参考訳(メタデータ) (2021-01-12T14:51:11Z) - Partial Bandit and Semi-Bandit: Making the Most Out of Scarce Users'
Feedback [62.997667081978825]
本稿では,ユーザのフィードバックを考慮し,3つの戦略を用いて評価する手法を提案する。
ユーザからのフィードバックが制限されているにも関わらず(全体の20%以下)、我々の手法は最先端のアプローチと同じような結果が得られる。
論文 参考訳(メタデータ) (2020-09-16T07:32:51Z) - 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) - 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) - Recommendation system using a deep learning and graph analysis approach [1.2183405753834562]
本稿では,行列係数化とグラフ解析に基づく新しい推薦手法を提案する。
さらに,ディープオートエンコーダを利用してユーザやアイテムの潜伏要因を初期化し,ディープ埋め込み手法によってユーザの潜伏要因をユーザ信頼グラフから収集する。
論文 参考訳(メタデータ) (2020-04-17T08:05:33Z)
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。