論文の概要: Disentangled Representation for Diversified Recommendations
- arxiv url: http://arxiv.org/abs/2301.05492v1
- Date: Fri, 13 Jan 2023 11:47:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-16 15:12:07.886122
- Title: Disentangled Representation for Diversified Recommendations
- Title（参考訳）: 多様なレコメンデーションのための絡み合った表現
- Authors: Xiaoying Zhang, Hongning Wang, Hang Li
- Abstract要約: 正確性と多様性は、リコメンデーションの2つの相反する目標だと考えられてきた。
本稿では,推薦アルゴリズムの選択に依存しない一般的な多様化フレームワークを提案する。
我々のソリューションは、レコメンデーションモジュールの学習したユーザ表現を、カテゴリに依存しない、カテゴリに依存しないコンポーネントに切り離します。
- 参考スコア（独自算出の注目度）: 41.477162048806434
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accuracy and diversity have long been considered to be two conflicting goals
for recommendations. We point out, however, that as the diversity is typically
measured by certain pre-selected item attributes, e.g., category as the most
popularly employed one, improved diversity can be achieved without sacrificing
recommendation accuracy, as long as the diversification respects the user's
preference about the pre-selected attributes. This calls for a fine-grained
understanding of a user's preferences over items, where one needs to recognize
the user's choice is driven by the quality of the item itself, or the
pre-selected attributes of the item. In this work, we focus on diversity
defined on item categories. We propose a general diversification framework
agnostic to the choice of recommendation algorithms. Our solution disentangles
the learnt user representation in the recommendation module into
category-independent and category-dependent components to differentiate a
user's preference over items from two orthogonal perspectives. Experimental
results on three benchmark datasets and online A/B test demonstrate the
effectiveness of our solution in improving both recommendation accuracy and
diversity. In-depth analysis suggests that the improvement is due to our
improved modeling of users' categorical preferences and refined ranking within
item categories.
- Abstract（参考訳）: 正確性と多様性は、リコメンデーションの2つの相反する目標だと考えられてきた。
しかし,例えばカテゴリを最も広く採用する項目として,事前選択された項目属性によって多様性が測定されるのが一般的であるので,事前選択された属性に対するユーザの嗜好を多様化が尊重する限り,レコメンデーション精度を犠牲にすることなく多様性の向上が達成可能であることを指摘した。
これは、ユーザの選択を認識する必要がある項目に対するユーザの好みのきめ細かい理解を要求するもので、アイテム自体の品質や、そのアイテムの事前選択された属性によって駆動される。
本研究では,項目カテゴリに定義された多様性に焦点を当てる。
本稿では,推薦アルゴリズムの選択に依存しない一般化フレームワークを提案する。
本ソリューションは,推奨モジュールの学習したユーザ表現をカテゴリ非依存およびカテゴリ依存のコンポーネントに分解し,項目に対するユーザの嗜好を2つの直交的視点から区別する。
3つのベンチマークデータセットとオンラインA/Bテストによる実験結果から,提案手法の有効性が示唆された。
In-deepth analysis は,ユーザのカテゴリー的嗜好のモデリングの改善と,項目カテゴリ内でのランク付けの改善による改善を示唆している。
関連論文リスト
- Relevance meets Diversity: A User-Centric Framework for Knowledge Exploration through Recommendations [15.143224593682012]
本稿では,コプラ関数による妥当性と多様性を組み合わせた新しいレコメンデーション戦略を提案する。
我々は,システムと対話しながらユーザから得た知識量のサロゲートとして多様性を利用する。
我々の戦略は、最先端のライバル数社を上回っている。
論文 参考訳（メタデータ） (2024-08-07T13:48:24Z) - Ada-Retrieval: An Adaptive Multi-Round Retrieval Paradigm for Sequential
Recommendations [50.03560306423678]
本稿では,レコメンダシステムのための適応型マルチラウンド検索パラダイムであるAda-Retrievalを提案する。
Ada-Retrievalは、ユーザー表現を反復的に洗練し、全項目領域の潜在的な候補をよりよく捉えます。
論文 参考訳（メタデータ） (2024-01-12T15:26:40Z) - DPAN: Dynamic Preference-based and Attribute-aware Network for Relevant
Recommendations [3.4947076558586967]
そこで本稿では,Click-Through Rate (CTR) を予測するために,Dynamic Preference-based and Attribute-aware Network (DPAN) と呼ばれる新しい手法を提案する。
DPANは、当社のeコマースプラットフォームに、関連するレコメンデーションのための主要なトラフィックを提供するために、うまくデプロイされています。
論文 参考訳（メタデータ） (2023-08-21T07:26:09Z) - Improving Recommendation System Serendipity Through Lexicase Selection [53.57498970940369]
本稿では,レコメンデーションシステムにおけるエコーチャンバーとホモフィリーの存在を測定するための新しいセレンディピティー指標を提案する。
そこで我々は,レキシケース選択と呼ばれる親選択アルゴリズムを採用することにより,よく知られたレコメンデーション手法の多様性保存性の向上を試みる。
以上の結果から,レキシケースの選択とランキングの混合は,パーソナライゼーション,カバレッジ,セレンディピティー・ベンチマークにおいて,純粋にランク付けされている。
論文 参考訳（メタデータ） (2023-05-18T15:37:38Z) - Pacos: Modeling Users' Interpretable and Context-Dependent Choices in
Preference Reversals [8.041047797530808]
我々は,ユーザの適応重み,イテム間比較,表示位置の3つの要因を同定した。
3つの要因を同時に扱うための統合フレームワークとして,Pacosというコンテキスト依存の嗜好モデルを提案する。
実験の結果,提案手法は,ユーザの選択を予測するための先行作業よりも優れた性能を示した。
論文 参考訳（メタデータ） (2023-03-10T01:49:56Z) - Eliciting User Preferences for Personalized Multi-Objective Decision
Making through Comparative Feedback [76.7007545844273]
目的に対して異なるユーザの好みに対応する多目的意思決定フレームワークを提案する。
我々のモデルは、ベクトル値の報酬関数を持つマルコフ決定プロセスで構成され、各ユーザが未知の選好ベクトルを持つ。
少数の比較クエリを用いて,ユーザに対してほぼ最適なポリシを求めるアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-02-07T23:58:19Z) - 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) - Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback
based Recommendation [59.183016033308014]
本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。
提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
論文 参考訳（メタデータ） (2021-05-16T08:06:22Z) - Directional Multivariate Ranking [39.81227580524465]
本稿では,多面的な項目の総合的なランク付けを可能にする指向性多面的ランク付け基準を提案する。
我々の重要な洞察は、2つの多アスペクト選好ベクトル間の差ベクトルの方向が、比較のペアの順序を明らかにすることである。
論文 参考訳（メタデータ） (2020-06-09T22:43:03Z) - Using Stable Matching to Optimize the Balance between Accuracy and
Diversity in Recommendation [3.0938904602244355]
多くのレコメンデーションドメインにおいて、集約的多様性(あるいはカタログカバレッジ)の増加はシステムレベルの重要な目標である。
集約の多様性を高める試みは、エンドユーザの推奨精度を低下させる。
本稿では,ユーザとアイテムの両ユーティリティを考慮した,双方向のポストプロセッシング手法を提案する。
論文 参考訳（メタデータ） (2020-06-05T22:12:25Z)
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。