Fugu-MT 論文翻訳(概要): User recommendation system based on MIND dataset

論文の概要: User recommendation system based on MIND dataset

arxiv url: http://arxiv.org/abs/2209.06131v1
Date: Tue, 6 Sep 2022 22:25:36 GMT
ステータス: 処理完了
システム内更新日: 2022-09-25 17:49:56.519381
Title: User recommendation system based on MIND dataset
Title（参考訳）: MINDデータセットに基づくユーザ推薦システム
Authors: Niran A. Abdulhussein and Ahmed J Obaid
Abstract要約: MINDデータセットを2019年に収集したシステムに使用します。本システムでは,単語の埋め込みと表現にGloVeアルゴリズムを用いた。 AUC 71.211, MRR 35.72, nDCG@5 38.05, nDCG@10 44.45の他の関連研究よりも優れた結果が得られる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Nowadays, it's a very significant way for researchers and other individuals to achieve their interests because it provides short solutions to satisfy their demands. Because there are so many pieces of information on the internet, news recommendation systems allow us to filter content and deliver it to the user in proportion to his desires and interests. RSs have three techniques: content-based filtering, collaborative filtering, and hybrid filtering. We will use the MIND dataset with our system, which was collected in 2019, the big challenge in this dataset because there is a lot of ambiguity and complex text processing. In this paper, will present our proposed recommendation system. The core of our system we have used the GloVe algorithm for word embeddings and representation. Besides, the Multi-head Attention Layer calculates the attention of words, to generate a list of recommended news. Finally, we achieve good results more than some other related works in AUC 71.211, MRR 35.72, nDCG@5 38.05, and nDCG@10 44.45.
Abstract（参考訳）: 今日では、研究者や他の個人が彼らの要求を満たすための短い解決策を提供するため、彼らの利益を達成するための非常に重要な方法である。インターネットにはたくさんの情報があるので、ニュースレコメンデーションシステムは、コンテンツをフィルタリングして、ユーザの欲求や関心に比例してそれをユーザに届けることができます。 RSにはコンテンツベースのフィルタリング、協調フィルタリング、ハイブリッドフィルタリングの3つの技術がある。 2019年に収集したシステムでマインドデータセットを使用する予定ですが、このデータセットには曖昧さと複雑なテキスト処理がたくさんあるため、大きな課題があります。本稿では,提案する推薦システムについて述べる。私たちのシステムの中核は、単語の埋め込みと表現にグローブアルゴリズムを使用しました。さらに、Multi-head Attention Layerは単語の注目度を算出し、推奨ニュースのリストを生成する。最後に, AUC 71.211, MRR 35.72, nDCG@5 38.05, nDCG@10 44.45 の他の関連研究よりも優れた結果を得た。

関連論文リスト

Online and Offline Evaluations of Collaborative Filtering and Content Based Recommender Systems [0.0]
本研究では,イランにおける大規模レコメンデーションシステムの比較分析を行った。このシステムは、コンテンツベース、協調フィルタリング、トレンドベース手法、ハイブリッドアプローチを用いた、ユーザベースおよびアイテムベースのレコメンデーションを採用している。評価方法は,手動による評価,ヒットレート@kやnDCGなどの評価指標を含むオフラインテスト,クリックスルーレート(CTR)によるオンラインテストなどである。
論文参考訳（メタデータ） (2024-11-02T20:05:31Z)
An Efficient Multi-threaded Collaborative Filtering Approach in Recommendation System [0.0]
本研究は,多数のユーザを効率的に扱えるスケーラブルなレコメンデーションシステムの構築に焦点を当てる。これを実現するために、マルチスレッドの類似性アプローチが採用されている。この並列化は従来の手法に比べて計算時間を著しく短縮し、高速で効率的でスケーラブルなレコメンデーションシステムをもたらす。
論文参考訳（メタデータ） (2024-09-28T06:33:18Z)
Summary of a Haystack: A Challenge to Long-Context LLMs and RAG Systems [124.82815637571413]
我々は、文書のHaystackを合成する手順を設計し、特定のテキストが文書間で繰り返されることを保証します。すると、"Summary of a Haystack"(SummHay)タスクは、Haystackを処理し、クエリ、関連する洞察を特定し、ソースドキュメントを正確に引用する要約を生成するシステムを必要とする。
論文参考訳（メタデータ） (2024-07-01T15:23:42Z)
Embedding in Recommender Systems: A Survey [67.67966158305603]
重要な側面は、ユーザやアイテムIDといった高次元の離散的な特徴を低次元連続ベクトルに包含する技法である。埋め込み技術の適用は複雑なエンティティ関係を捉え、かなりの研究を刺激している。この調査では、協調フィルタリング、自己教師付き学習、グラフベースのテクニックなどの埋め込み手法を取り上げている。
論文参考訳（メタデータ） (2023-10-28T06:31:06Z)
Multimodal Recommender Systems: A Survey [50.23505070348051]
マルチモーダル・レコメンダ・システム(MRS)は近年,学界と産業の両方から注目を集めている。本稿では,主に技術的観点から,MSSモデルに関する総合的な調査を行う。実装コードなど、調査された論文の詳細にアクセスするために、リポジトリをオープンソース化します。
論文参考訳（メタデータ） (2023-02-08T05:12:54Z)
kNN-Embed: Locally Smoothed Embedding Mixtures For Multi-interest Candidate Retrieval [7.681386867564213]
kNN-Embedは、各ユーザを、学習したアイテムクラスタ上のスムーズな混合として表現し、ユーザの“関心”を表現している。我々は、kNN-Embedを標準のANN候補検索と比較し、全体的なリコールの改善と3つのデータセット間の多様性の向上を示す。
論文参考訳（メタデータ） (2022-05-12T16:42:24Z)
Multi-task recommendation system for scientific papers with high-way networks [1.5229257192293197]
論文推薦を予測し,キーワードなどのメタデータを生成するマルチタスクレコメンデーションシステム(RS)を提案する。このアプローチの背景には、キーワードとして表現された論文のトピックが、研究者の好みの予測に有用である、という動機がある。我々のアプリケーションは、ハイウェイネットワークを使ってシステムを非常に深く訓練し、RNNとCNNの利点を組み合わせて最も重要な要素を見つけ、遅延表現する。
論文参考訳（メタデータ） (2022-04-21T07:40:47Z)
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)
Comprehensive Movie Recommendation System [0.0]
本稿では、Genre, Pearson correlation Coefficient, Cosine similarity, KNN-based, Content-Based Filteringに基づく完全な映画レコメンデーションシステムのプロトタイプを実装した。また,ジャンルに基づく映画のクラスタ構築に機械学習技術を適用した新しいアイデアを提案する。グループレンズのWebサイトには、9742本の映画に100836のレーティングと3683のタグアプリケーションがある。
論文参考訳（メタデータ） (2021-12-23T11:02:57Z)
Exploration in two-stage recommender systems [79.50534282841618]
2段階のレコメンデータシステムは、スケーラビリティと保守性のために業界で広く採用されている。このセットアップの鍵となる課題は、各ステージの最適性能が最適なグローバルパフォーマンスを暗示していないことである。そこで本研究では,ランクとノミネーター間の探索戦略を同期させる手法を提案する。
論文参考訳（メタデータ） (2020-09-01T16:52:51Z)
Filter Grafting for Deep Neural Networks [71.39169475500324]
ディープニューラルネットワーク(DNN)の表現能力向上を目的としたフィルタグラフト我々は,フィルタの情報を測定するエントロピーベースの基準と,ネットワーク間のグラフト情報のバランスをとるための適応重み付け戦略を開発する。例えば、グラフトされたMobileNetV2は、CIFAR-100データセットで非グラフトされたMobileNetV2を約7%上回っている。
論文参考訳（メタデータ） (2020-01-15T03:18:57Z)

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。