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: 翻訳完了
- 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
- A Comprehensive Survey of Reward Models: Taxonomy, Applications, Challenges, and Future [26.99066977066666]
Reward Model (RM) は、Large Language Models (LLM) を向上する驚くべき可能性を実証した。
我々は、関連する研究の概要を概観し、選好収集、報酬モデリング、利用の視点を探究する。
本稿では、初心者にRMの総合的な紹介を提供し、今後の研究を促進することを目的としている。
論文 参考訳(メタデータ) (2025-04-12T16:07:36Z) - Joint Modeling in Recommendations: A Survey [46.000357352884926]
共同モデリングアプローチは、さまざまなタスク、シナリオ、モダリティ、振る舞いをレコメンデーションプロセスに統合することによって、制限を克服する上で中心となる。
我々は,マルチタスク,マルチシナリオ,マルチモーダル,マルチビヘイビア・モデリングという,4つの異なる次元のジョイント・モデリングのスコープを定義する。
本研究は,提案する共同モデルにおける今後の研究の道のりについて紹介し,その結果を簡潔にまとめる。
論文 参考訳(メタデータ) (2025-02-28T16:14:00Z) - Generative Large Recommendation Models: Emerging Trends in LLMs for Recommendation [85.52251362906418]
このチュートリアルでは、大規模言語モデル(LLM)を統合するための2つの主要なアプローチを探求する。
これは、最近の進歩、課題、潜在的研究の方向性を含む、生成的な大規模なレコメンデーションモデルの包括的な概要を提供する。
主なトピックは、データ品質、スケーリング法則、ユーザの行動マイニング、トレーニングと推論の効率性である。
論文 参考訳(メタデータ) (2025-02-19T14:48:25Z) - A Survey on Multimodal Recommender Systems: Recent Advances and Future Directions [16.652996189513658]
本稿では, マルチモーダルレコメンダシステムにおける最近の研究動向を概観する。
本稿では,既存のMSSモデルを特徴抽出,マルチモーダルフュージョン,ロス関数の4つの重要な領域に分類して紹介する。
より高度で効果的なマルチモーダルレコメンデータシステムの開発に貢献したいと考えています。
論文 参考訳(メタデータ) (2025-01-22T12:00:35Z) - A Survey on Recommendation Unlearning: Fundamentals, Taxonomy, Evaluation, and Open Questions [16.00188808166725]
推薦システムは、ユーザの行動と意思決定を形作ることに、ますます影響力を増している。
レコメンデータシステムにおける機械学習モデルの普及は、ユーザのプライバシとセキュリティに関する重要な懸念を引き起こしている。
従来の機械学習手法は、協調的な相互作用やモデルパラメータによって引き起こされるユニークな課題のために、アンラーニングを推奨するのに不適である。
論文 参考訳(メタデータ) (2024-12-17T11:58:55Z) - Tapping the Potential of Large Language Models as Recommender Systems: A Comprehensive Framework and Empirical Analysis [91.5632751731927]
ChatGPTのような大規模言語モデルは、一般的なタスクを解く際、顕著な能力を示した。
本稿では,レコメンデーションタスクにおけるLLMの活用のための汎用フレームワークを提案し,レコメンデーションタスクとしてのLLMの機能に着目した。
提案手法は,提案手法が推薦結果に与える影響を解析し,提案手法とモデルアーキテクチャ,パラメータスケール,コンテキスト長について検討する。
論文 参考訳(メタデータ) (2024-01-10T08:28:56Z) - 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。