論文の概要: A Survey on User Behavior Modeling in Recommender Systems

• arxiv url: http://arxiv.org/abs/2302.11087v1
• Date: Wed, 22 Feb 2023 01:34:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-23 16:36:54.164635
• Title: A Survey on User Behavior Modeling in Recommender Systems
• Title（参考訳）: レコメンダシステムにおけるユーザの行動モデリングに関する調査
• Authors: Zhicheng He and Weiwen Liu and Wei Guo and Jiarui Qin and Yingxue Zhang and Yaochen Hu and Ruiming Tang
• Abstract要約: ユーザ・ビヘイビア・モデリング(UBM)は、リコメンデータ・システムで広く使われている、ユーザ関心の学習において重要な役割を担っている。 既存のUBM研究の系統分類を4つの方向に分類することができる。 既存の UBM ソリューションの適用価値に関する洞察を提供することを目標として,UBM 手法の産業的実践について詳しく述べる。
• 参考スコア（独自算出の注目度）: 36.797169604235954
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: User Behavior Modeling (UBM) plays a critical role in user interest learning, which has been extensively used in recommender systems. Crucial interactive patterns between users and items have been exploited, which brings compelling improvements in many recommendation tasks. In this paper, we attempt to provide a thorough survey of this research topic. We start by reviewing the research background of UBM. Then, we provide a systematic taxonomy of existing UBM research works, which can be categorized into four different directions including Conventional UBM, Long-Sequence UBM, Multi-Type UBM, and UBM with Side Information. Within each direction, representative models and their strengths and weaknesses are comprehensively discussed. Besides, we elaborate on the industrial practices of UBM methods with the hope of providing insights into the application value of existing UBM solutions. Finally, we summarize the survey and discuss the future prospects of this field.
• Abstract（参考訳）: ユーザの行動モデリング(ubm)は、レコメンダシステムで広く使われているユーザの関心の学習において重要な役割を果たす。 ユーザとアイテム間の重要なインタラクティブなパターンが悪用され、多くのレコメンデーションタスクにおいて魅力的な改善がもたらされている。 本稿では,本研究のトピックを徹底的に調査する。 まず,UBM研究の背景を概観する。 そして,既存のUBM研究の系統分類を,従来のUBM,Long-Sequence UBM,Multi-Type UBM,Side Informationの4つの方向に分類される。 各方向において、代表モデルとその強みと弱みを包括的に議論する。 さらに,既存の UBM ソリューションの適用価値に関する洞察の提供を期待して,UBM 手法の産業的実践について詳述する。 最後に,調査をまとめ,この分野の今後の展望について考察する。

関連論文リスト

• Empowering Few-Shot Recommender Systems with Large Language Models -- Enhanced Representations [0.0]
  大規模言語モデル(LLM)は、明示的なフィードバックベースのレコメンデータシステムで遭遇する少数のシナリオに対処するための、新たな洞察を提供する。 我々の研究は、LLMがレコメンデーターシステムに関わっていることの多面的側面を深く掘り下げるために、研究者に刺激を与えることができる。
  論文  参考訳（メタデータ） (2023-12-21T03:50:09Z)
• 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)
• Recommender Systems in the Era of Large Language Models (LLMs) [62.0129013439038]
  大規模言語モデル(LLM)は自然言語処理(NLP)と人工知能(AI)の分野に革命をもたらした。 我々は, プレトレーニング, ファインチューニング, プロンプティングなどの様々な側面から, LLM を利用したレコメンデータシステムの総合的なレビューを行う。
  論文  参考訳（メタデータ） (2023-07-05T06:03:40Z)
• 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)
• Understanding Longitudinal Dynamics of Recommender Systems with Agent-Based Modeling and Simulation [7.98348797868119]
  エージェントベースモデリングとシミュレーション(ABM)技術は、レコメンダシステムのこのような重要な縦方向のダイナミクスを研究するのに利用できる。 本稿では, ABMの原則の概要, 文献に基づく推薦システムのためのシミュレーションフレームワークの概要, そして, このようなABMに基づくシミュレーションフレームワークで対処可能な,様々な実践的な研究課題について論じる。
  論文  参考訳（メタデータ） (2021-08-25T06:28:19Z)
• Modeling User Behaviour in Research Paper Recommendation System [8.980876474818153]
  ディープシーケンシャルなトピック分析に基づくユーザ意図モデルを提案する。 モデルは、興味のあるトピックの観点から、ユーザの意図を予測する。 提案手法では,研究論文推薦システムの設計に適したユーザアクティビティをモデル化する新たなロードマップを提案する。
  論文  参考訳（メタデータ） (2021-07-16T11:31:03Z)
• A Survey on Neural Recommendation: From Collaborative Filtering to Content and Context Enriched Recommendation [70.69134448863483]
  レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。 近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
  論文  参考訳（メタデータ） (2021-04-27T08:03:52Z)
• A Survey on Conversational Recommender Systems [11.319431345375751]
  会話レコメンデータシステム(CRS)は異なるアプローチを採用し、よりリッチなインタラクションをサポートする。 CRSに対する関心は、ここ数年で大幅に増加した。 この開発は主に自然言語処理の分野における著しい進歩によるものである。
  論文  参考訳（メタデータ） (2020-04-01T18:00:47Z)
• A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
  我々は知識グラフに基づく推薦システムの体系的な調査を行う。 論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。 これらの作業で使用されるデータセットを紹介します。
  論文  参考訳（メタデータ） (2020-02-28T02:26:30Z)

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。