論文の概要: POIBERT: A Transformer-based Model for the Tour Recommendation Problem
- arxiv url: http://arxiv.org/abs/2212.13900v1
- Date: Fri, 16 Dec 2022 12:32:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-01 14:15:48.016442
- Title: POIBERT: A Transformer-based Model for the Tour Recommendation Problem
- Title（参考訳）: POIBERT:Tour Recommendation問題のためのトランスフォーマーベースモデル
- Authors: Ngai Lam Ho and Kwan Hui Lim
- Abstract要約: 本稿では,POI 上での BERT 言語モデルを用いて,パーソナライズされたイテレーションを推薦するアルゴリズムである POIBERT を提案する。
提案手法では, 類似観光地からの過去のトラジェクトリに基づいて, POIカテゴリの時間とユーザの嗜好を最適化するPOIのシーケンスを生成することができる。
- 参考スコア（独自算出の注目度）: 0.3121997724420106
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tour itinerary planning and recommendation are challenging problems for
tourists visiting unfamiliar cities. Many tour recommendation algorithms only
consider factors such as the location and popularity of Points of Interest
(POIs) but their solutions may not align well with the user's own preferences
and other location constraints. Additionally, these solutions do not take into
consideration of the users' preference based on their past POIs selection. In
this paper, we propose POIBERT, an algorithm for recommending personalized
itineraries using the BERT language model on POIs. POIBERT builds upon the
highly successful BERT language model with the novel adaptation of a language
model to our itinerary recommendation task, alongside an iterative approach to
generate consecutive POIs.
Our recommendation algorithm is able to generate a sequence of POIs that
optimizes time and users' preference in POI categories based on past
trajectories from similar tourists. Our tour recommendation algorithm is
modeled by adapting the itinerary recommendation problem to the sentence
completion problem in natural language processing (NLP). We also innovate an
iterative algorithm to generate travel itineraries that satisfies the time
constraints which is most likely from past trajectories. Using a Flickr dataset
of seven cities, experimental results show that our algorithm out-performs many
sequence prediction algorithms based on measures in recall, precision and
F1-scores.
- Abstract（参考訳）: 旅程計画と推薦は、不慣れな都市を訪れる観光客にとって困難な問題である。
多くのツアーレコメンデーションアルゴリズムは、ポイント・オブ・ポイント(pois)の位置や人気といった要因のみを考慮するが、その解決策はユーザーの好みや他の場所の制約と一致しない可能性がある。
さらに、これらのソリューションは、過去のpois選択に基づいてユーザーの好みを考慮していない。
本稿では,POI 上の BERT 言語モデルを用いてパーソナライズされたイテレーションを推薦するアルゴリズムである POIBERT を提案する。
POIBERTは、連続したPOIを生成する反復的なアプローチとともに、我々の反復的なレコメンデーションタスクに言語モデルを新しい適応させることで、非常に成功したBERT言語モデルを構築します。
我々の推薦アルゴリズムは, 類似観光地からの過去の軌跡に基づいて, POIカテゴリーの時間とユーザの嗜好を最適化する一連のPOIを生成することができる。
本手法は,自然言語処理(NLP)における文補完問題に反復的レコメンデーション問題を適用することでモデル化する。
また,過去のトラジェクトリからの可能性が最も高い時間制約を満たす旅行反復を生成する反復アルゴリズムを革新する。
7つの都市のflickrデータセットを用いて,本アルゴリズムがリコール,精度,f1-scoreの測定値に基づいて,多くのシーケンス予測アルゴリズムを上回っていることを示す。
関連論文リスト
- Pre-trained Language Model and Knowledge Distillation for Lightweight Sequential Recommendation [51.25461871988366]
本稿では,事前学習言語モデルと知識蒸留に基づく逐次推薦アルゴリズムを提案する。
提案アルゴリズムは,推薦精度を高め,タイムリーな推薦サービスを提供する。
論文 参考訳（メタデータ） (2024-09-23T08:39:07Z) - Discovering Preference Optimization Algorithms with and for Large Language Models [50.843710797024805]
オフライン優先最適化は、LLM(Large Language Model)出力の品質を向上・制御するための重要な手法である。
我々は、人間の介入なしに、新しい最先端の選好最適化アルゴリズムを自動で発見する客観的発見を行う。
実験は、ロジスティックと指数的損失を適応的にブレンドする新しいアルゴリズムであるDiscoPOPの最先端性能を示す。
論文 参考訳（メタデータ） (2024-06-12T16:58:41Z) - Utilizing Language Models for Tour Itinerary Recommendation [2.5128274367283785]
ツアーイテナリーレコメンデーションでは、関連するPOI(Point-of-Interest)のシーケンスを計画する。
本稿では,旅程の推薦・計画作業における言語モデルの利用について検討する。
論文 参考訳（メタデータ） (2023-11-21T05:15:56Z) - SBTRec- A Transformer Framework for Personalized Tour Recommendation
Problem with Sentiment Analysis [6.753123338256321]
SBTRecは、感情分析を備えたBERTベースのTrajectory Recommendationである。
異なるPOIに関するレビューやコメントから、ユーザの好みと満足度レベルを学ぶ。
平均F1スコアは61.45%で、ベースラインアルゴリズムより優れている。
論文 参考訳（メタデータ） (2023-11-18T13:30:01Z) - BTRec: BERT-Based Trajectory Recommendation for Personalized Tours [6.753123338256321]
多くのツアーレコメンデーションツールは、人気のPoints of Interest(POI)やルーティング制約など、限られた要素しか考慮していない。
本稿では,提案する反復アルゴリズムであるBTREC (BERT-based Trajectory Recommendation)を提案する。
我々の推薦システムは、訪問したPOIを最大化する旅行イテナリーを作成するとともに、POIのカテゴリと時間可用性のユーザの好みを考慮した旅行イテナリーを作成することができる。
論文 参考訳（メタデータ） (2023-10-30T18:00:26Z) - Machine Learning for Online Algorithm Selection under Censored Feedback [71.6879432974126]
オンラインアルゴリズム選択(OAS)では、アルゴリズム問題クラスのインスタンスがエージェントに次々に提示され、エージェントは、固定された候補アルゴリズムセットから、おそらく最高のアルゴリズムを迅速に選択する必要がある。
SAT(Satisfiability)のような決定問題に対して、品質は一般的にアルゴリズムのランタイムを指す。
本研究では,OASのマルチアームバンディットアルゴリズムを再検討し,この問題に対処する能力について議論する。
ランタイム指向の損失に適応し、時間的地平線に依存しない空間的・時間的複雑さを維持しながら、部分的に検閲されたデータを可能にする。
論文 参考訳（メタデータ） (2021-09-13T18:10:52Z) - DeepAltTrip: Top-k Alternative Itineraries for Trip Recommendation [4.727697892741763]
本稿では,DeepAltTripというディープラーニングベースのフレームワークを提案する。
経路生成のステップでは,多様なユーザ定義制約をシームレスに処理できる新しいサンプリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-09-08T10:36:59Z) - Local policy search with Bayesian optimization [73.0364959221845]
強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。
局所探索のための政策勾配は、しばしばランダムな摂動から得られる。
目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
論文 参考訳（メタデータ） (2021-06-22T16:07:02Z) - Attention-based neural re-ranking approach for next city in trip
recommendations [77.34726150561087]
本稿では,旅行予約システムにおける次の目的地都市推薦問題へのアプローチについて述べる。
本研究では,候補選択のためのアプローチと,候補再選のための注意ニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2021-03-23T11:56:40Z) - User Preferential Tour Recommendation Based on POI-Embedding Methods [0.624399544884021]
POI埋め込み手法を用いてパーソナライズツアーを推薦するアルゴリズムを提案する。
提案アルゴリズムは時間と位置の制約を最適化するpoisのシーケンスを生成する。
予備実験の結果,本アルゴリズムは適切で正確な文を推薦できることがわかった。
論文 参考訳（メタデータ） (2021-03-03T15:18:23Z) - Model Selection in Contextual Stochastic Bandit Problems [51.94632035240787]
基本アルゴリズムを選択できるメタアルゴリズムを開発した。
基本アルゴリズムの1つが$O(sqrtT)$後悔している場合でも、一般的には$Omega(sqrtT)$後悔よりも良いものを得ることはできません。
論文 参考訳（メタデータ） (2020-03-03T18:46:34Z)
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。