Fugu-MT 論文翻訳(概要): Improving Recommendation Relevance by simulating User Interest

論文の概要: Improving Recommendation Relevance by simulating User Interest

arxiv url: http://arxiv.org/abs/2302.01522v1
Date: Fri, 3 Feb 2023 03:35:28 GMT
ステータス: 処理完了
システム内更新日: 2023-02-06 17:30:03.633804
Title: Improving Recommendation Relevance by simulating User Interest
Title（参考訳）: ユーザの関心をシミュレートしてレコメンデーション関連性を改善する
Authors: Alexander Kushkuley and Joshua Correa
Abstract要約: 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。
参考スコア（独自算出の注目度）: 77.34726150561087
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Most if not all on-line item-to-item recommendation systems rely on estimation of a distance like measure (rank) of similarity between items. For on-line recommendation systems, time sensitivity of this similarity measure is extremely important. We observe that recommendation "recency" can be straightforwardly and transparently maintained by iterative reduction of ranks of inactive items. The paper briefly summarizes algorithmic developments based on this self-explanatory observation. The basic idea behind this work is patented in a context of online recommendation systems.
Abstract（参考訳）: オンラインアイテム・ツー・イテムのレコメンデーションシステムはほとんどの場合、アイテム間の類似度の測定(ランク)のような距離を推定する。オンラインレコメンデーションシステムでは、この類似性尺度の時間感度が非常に重要である。我々は,不活性項目のランクを反復的に減少させることにより,レコメンデーション「レコメンデーション」を単純かつ透過的に維持できることを観察する。本論文は,この自己説明的観察に基づくアルゴリズム開発を簡潔に要約する。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コンテキストで特許取得されている。

関連論文リスト

Revisiting Reciprocal Recommender Systems: Metrics, Formulation, and Method [60.364834418531366]
RRSの性能を包括的かつ正確に評価する5つの新しい評価指標を提案する。因果的観点からRSを定式化し、二元的介入として勧告を定式化する。提案手法では,結果の一致を最大化する手法を提案する。
論文参考訳（メタデータ） (2024-08-19T07:21:02Z)
Impression-Aware Recommender Systems [53.48892326556546]
本稿ではインプレッションを用いたレコメンデーションシステムに関する体系的な文献レビューを行う。本稿では,印象型レコメンデーションシステムと,印象型レコメンデーションシステムという,パーソナライズされたレコメンデーションのための新しいパラダイムを論じる。
論文参考訳（メタデータ） (2023-08-15T16:16:02Z)
Explainable Recommender with Geometric Information Bottleneck [25.703872435370585]
本稿では,ユーザ-イテム相互作用から学習した幾何学的事前学習を変分ネットワークに組み込むことを提案する。個々のユーザとイテムペアからの遅延因子は、レコメンデーションと説明生成の両方に使用することができる。 3つの電子商取引データセットの実験結果から,我々のモデルは変分レコメンデータの解釈可能性を大幅に向上させることが示された。
論文参考訳（メタデータ） (2023-05-09T10:38:36Z)
Improvements on Recommender System based on Mathematical Principles [10.027420333081084]
本稿では,数理原理に基づくRecommender Systemのアルゴリズムを説明し,改善のための有効な方法を見出す。確率に基づくアルゴリズムはRecommender Systemにおいて重要であり、アルゴリズムの精度と速度を高めるためにどのように役立つかを説明する。
論文参考訳（メタデータ） (2023-04-26T14:13:46Z)
Fast Offline Policy Optimization for Large Scale Recommendation [74.78213147859236]
我々は、カタログサイズと対数的にスケールするこれらのポリシー学習アルゴリズムの近似を導出する。私たちの貢献は3つの新しいアイデアの組み合わせに基づいている。我々の推定器は、単純なアプローチよりも桁違いに速いが、等しく良いポリシーを生成する。
論文参考訳（メタデータ） (2022-08-08T11:54:11Z)
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)
Bayesian Non-stationary Linear Bandits for Large-Scale Recommender Systems [6.009759445555003]
この問題に対処するために,線形コンテキスト多重武装バンディットフレームワークを構築した。本研究では,高次元特徴ベクトルを用いた線形帯域問題に対する意思決定ポリシーを開発する。提案するリコメンデータシステムは,実行環境を最小化しながら,ユーザの項目嗜好をオンラインで学習する。
論文参考訳（メタデータ） (2022-02-07T13:51:19Z)
Comparative Explanations of Recommendations [33.89230323979306]
本稿では,レコメンデータシステムからランキング項目の相対比較を抽出・再定義するアーキテクチャを提案する。我々はBLEUに基づく新しい説明品質指標を設計し、抽出・精錬部品のエンドツーエンドトレーニングを指導する。
論文参考訳（メタデータ） (2021-11-01T02:55:56Z)
A Methodology for the Offline Evaluation of Recommender Systems in a User Interface with Multiple Carousels [7.8851236034886645]
ビデオオンデマンドおよび音楽ストリーミングサービスは、複数の推奨リストからなるページをユーザーに提供します。展示するカルーセルを選択するための効率的な戦略を見つけることは、大きな産業的関心の活発な研究課題である。本論文では, カルーセル設定のオフライン評価プロトコルを提案し, モデルの推奨品質を, すでに利用可能なカルーセルのセットでどれだけ改善するかによって測定する。
論文参考訳（メタデータ） (2021-05-13T13:14:59Z)
Do Offline Metrics Predict Online Performance in Recommender Systems? [79.48653445643865]
6つのシミュレーション環境におけるレコメンデータの評価により,オフラインメトリクスがオンラインのパフォーマンスを予測する程度について検討した。オフラインメトリクスは、様々な環境におけるオンラインのパフォーマンスと相関している。本研究は,探索戦略の追加による影響について検討し,その有効性はレコメンデーションアルゴリズムに大きく依存していることを示す。
論文参考訳（メタデータ） (2020-11-07T01:41:13Z)

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。