論文の概要: Speeding Up Recommender Systems Using Association Rules

• arxiv url: http://arxiv.org/abs/2211.08799v1
• Date: Wed, 16 Nov 2022 09:55:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 16:09:17.255796
• Title: Speeding Up Recommender Systems Using Association Rules
• Title（参考訳）: 関連ルールを用いたレコメンダシステムの高速化
• Authors: Eyad Kannout, Hung Son Nguyen, Marek Grzegorowski
• Abstract要約: ファクトリゼーションマシンとアソシエーションルール(FMAR)に基づく新しいレコメンデーションシステムを提案する。 FMARは,レコメンダシステムが予測しなければならない新しい項目の数を著しく減らしたことを示す。 FMARツールを構築しながら、予測時間と生成したレコメンデーションの精度のバランスを取ることに集中する。
• 参考スコア（独自算出の注目度）: 0.08594140167290096
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender systems are considered one of the most rapidly growing branches of Artificial Intelligence. The demand for finding more efficient techniques to generate recommendations becomes urgent. However, many recommendations become useless if there is a delay in generating and showing them to the user. Therefore, we focus on improving the speed of recommendation systems without impacting the accuracy. In this paper, we suggest a novel recommender system based on Factorization Machines and Association Rules (FMAR). We introduce an approach to generate association rules using two algorithms: (i) apriori and (ii) frequent pattern (FP) growth. These association rules will be utilized to reduce the number of items passed to the factorization machines recommendation model. We show that FMAR has significantly decreased the number of new items that the recommender system has to predict and hence, decreased the required time for generating the recommendations. On the other hand, while building the FMAR tool, we concentrate on making a balance between prediction time and accuracy of generated recommendations to ensure that the accuracy is not significantly impacted compared to the accuracy of using factorization machines without association rules.
• Abstract（参考訳）: リコメンダーシステムは人工知能の最も急速に成長している分野の1つである。 より効率的なレコメンデーション作成技術を求める声が緊急となる。 しかし、生成とユーザへの表示が遅れている場合、多くの推奨事項は役に立たない。 したがって,精度に影響を与えることなく,レコメンデーションシステムの高速化に注目する。 本稿では,因子化機械と関連ルール(fmar)に基づく新しいレコメンダシステムを提案する。 2つのアルゴリズムを用いて関連ルールを生成する手法を提案する。 (i)プリオリ、及び (ii)頻繁なパターン(fp)の成長。 これらのアソシエーションルールは、因子化マシンレコメンデーションモデルに渡されるアイテムの数を減らすために利用される。 FMARは,レコメンデーションシステムが予測しなければならない新項目数を著しく削減し,レコメンデーション作成に必要な時間を短縮した。 一方,fmarツールの構築においては,予測時間と生成レコメンデーションの精度のバランスを取ることに注力し,関連ルールを伴わない因子化機械の精度と比較して精度が著しく影響しないことを確認した。

関連論文リスト

• End-to-End Learnable Item Tokenization for Generative Recommendation [51.82768744368208]
  本稿では,アイテムのトークン化と生成レコメンデーションをシームレスに統合した,新しいエンドツーエンド生成レコメンダであるETEGRecを提案する。 本フレームワークは、アイテムトークン化器と生成レコメンデータで構成されるデュアルエンコーダデコーダアーキテクチャに基づいて開発されている。
  論文  参考訳（メタデータ） (2024-09-09T12:11:53Z)
• 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)
• Fast Dual-Regularized Autoencoder for Sparse Biological Data [65.268245109828]
  本研究では,近傍正規化行列補完問題に対する浅層オートエンコーダを開発する。 本研究は, 薬物と薬物の相互作用と薬物の放出関連性を予測する上で, 既存の最先端技術に対するアプローチの速度と精度の優位性を実証する。
  論文  参考訳（メタデータ） (2024-01-30T01:28:48Z)
• Attention Mixtures for Time-Aware Sequential Recommendation [10.017195276758454]
  トランスフォーマーはシーケンシャルなレコメンデーションのための強力な方法として登場した。 改良された Transformer シーケンシャルレコメンデータシステムである MOJITO を導入する。 いくつかの実世界のデータセットで逐次レコメンデーションを行うために、既存のTransformerを実証的に上回ることによって、我々のアプローチの妥当性を実証する。
  論文  参考訳（メタデータ） (2023-04-17T11:11:19Z)
• Improving Recommendation Relevance by simulating User Interest [77.34726150561087]
  不活発な項目のランクを反復的に減らすことにより、リコメンデーション"レコメンデーション"が、簡単かつ透過的に維持可能であることを観察する。 この研究の背景にある基本的なアイデアは、オンラインレコメンデーションシステムの文脈で特許を取得している。
  論文  参考訳（メタデータ） (2023-02-03T03:35:28Z)
• Understanding or Manipulation: Rethinking Online Performance Gains of Modern Recommender Systems [38.75457258877731]
  本稿では,推薦アルゴリズムの操作度をベンチマークするフレームワークを提案する。 オンラインクリックスルー率が高いことは、必ずしもユーザーの初期嗜好をよりよく理解するという意味ではない。 我々は,制約付きユーザ嗜好操作による最適化問題として,将来のレコメンデーションアルゴリズムの研究を取り扱うべきであることを主張する。
  論文  参考訳（メタデータ） (2022-10-11T17:56:55Z)
• SPR:Supervised Personalized Ranking Based on Prior Knowledge for Recommendation [6.407166061614783]
  本稿では,事前知識に基づくSPR(Supervised Personalized Ranking)という新しい損失関数を提案する。 BPRとは異なり、ユーザ、ポジティブ項目、ネガティブ項目を3倍にするのではなく、提案したSPRは、ユーザ、類似ユーザ、ポジティブ項目、ネガティブ項目を4倍に構成する。
  論文  参考訳（メタデータ） (2022-07-07T10:00:54Z)
• Breaking Feedback Loops in Recommender Systems with Causal Inference [99.22185950608838]
  近年の研究では、フィードバックループが推奨品質を損なう可能性があり、ユーザの振る舞いを均質化している。 本稿では、因果推論を用いてフィードバックループを確実に破壊するアルゴリズムCAFLを提案する。 従来の補正手法と比較して,CAFLは推奨品質を向上することを示す。
  論文  参考訳（メタデータ） (2022-07-04T17:58:39Z)
• Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
  我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。 本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。 我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
  論文  参考訳（メタデータ） (2022-07-04T17:49:25Z)
• Introducing a Framework and a Decision Protocol to Calibrate Recommender Systems [0.0]
  本稿では,ジャンルの校正バランスを考慮したレコメンデーションリスト作成手法を提案する。 主な主張は、キャリブレーションはより公平なレコメンデーションを生み出すために肯定的に貢献できるということである。 本稿では,1000以上の校正システムの組み合わせを生成するための概念的フレームワークと決定プロトコルを提案する。
  論文  参考訳（メタデータ） (2022-04-07T19:30:55Z)

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。