論文の概要: MobileRec: A Large-Scale Dataset for Mobile Apps Recommendation

• arxiv url: http://arxiv.org/abs/2303.06588v1
• Date: Sun, 12 Mar 2023 06:39:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-14 17:53:29.979767
• Title: MobileRec: A Large-Scale Dataset for Mobile Apps Recommendation
• Title（参考訳）: MobileRec: モバイルアプリ推奨のための大規模データセット
• Authors: M.H. Maqbool, Umar Farooq, Adib Mosharrof, A.B. Siddique, Hassan Foroosh
• Abstract要約: MobileRecには1930万のユーザインタラクション(すなわちアプリのユーザレビュー)があり、48のカテゴリに10万以上のユニークなアプリがある。 MobileRecは、インストールされたアプリに対するユーザーの評価だけでなく、インストールされたアプリに対する感情も提示し、各アプリには、アプリ名、カテゴリ、説明、全体的な評価といった豊富なメタデータが含まれている。
• 参考スコア（独自算出の注目度）: 13.500977307018669
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommender systems have become ubiquitous in our digital lives, from recommending products on e-commerce websites to suggesting movies and music on streaming platforms. Existing recommendation datasets, such as Amazon Product Reviews and MovieLens, greatly facilitated the research and development of recommender systems in their respective domains. While the number of mobile users and applications (aka apps) has increased exponentially over the past decade, research in mobile app recommender systems has been significantly constrained, primarily due to the lack of high-quality benchmark datasets, as opposed to recommendations for products, movies, and news. To facilitate research for app recommendation systems, we introduce a large-scale dataset, called MobileRec. We constructed MobileRec from users' activity on the Google play store. MobileRec contains 19.3 million user interactions (i.e., user reviews on apps) with over 10K unique apps across 48 categories. MobileRec records the sequential activity of a total of 0.7 million distinct users. Each of these users has interacted with no fewer than five distinct apps, which stands in contrast to previous datasets on mobile apps that recorded only a single interaction per user. Furthermore, MobileRec presents users' ratings as well as sentiments on installed apps, and each app contains rich metadata such as app name, category, description, and overall rating, among others. We demonstrate that MobileRec can serve as an excellent testbed for app recommendation through a comparative study of several state-of-the-art recommendation approaches. The quantitative results can act as a baseline for other researchers to compare their results against. The MobileRec dataset is available at https://huggingface.co/datasets/recmeapp/mobilerec.
• Abstract（参考訳）: eコマースのウェブサイトで商品を推薦することから、ストリーミングプラットフォームで映画や音楽を提案することまで、私たちのデジタル生活においてレコメンデーションシステムはユビキタスになっています。 amazon product reviewsやmovielensといった既存のレコメンデーションデータセットは、それぞれのドメインにおけるレコメンデーションシステムの研究と開発を大いに促進した。 過去10年間でモバイルユーザとアプリケーション(別名アプリ)の数は指数関数的に増加したが、モバイルアプリのレコメンデーションシステムの研究は、製品や映画、ニュースのレコメンデーションとは対照的に、主に高品質のベンチマークデータセットが欠如していることから、大幅に制限されている。 アプリレコメンデーションシステムの研究を容易にするため,MobileRecと呼ばれる大規模データセットを導入した。 Google Play Storeでユーザの活動からMobileRecを構築した。 MobileRecには1930万のユーザインタラクション(アプリのユーザレビュー)があり、48のカテゴリに10万以上のユニークなアプリがある。 MobileRecは、合計0.7億人の異なるユーザーのシーケンシャルアクティビティを記録している。 これらのユーザはそれぞれ、5つ以下の異なるアプリと対話している。これは、ユーザ1人当たり1つのインタラクションしか記録していないモバイルアプリ上の以前のデータセットとは対照的だ。 さらに、mobilerecはユーザーの評価とインストールされたアプリの感情を示し、各アプリはアプリ名、カテゴリ、説明、全体的な評価などのリッチなメタデータを含んでいる。 我々は、mobilerecがいくつかの最先端推奨アプローチの比較研究を通じて、アプリのレコメンデーションのための優れたテストベッドとして機能できることを実証する。 定量的な結果は、他の研究者が結果を比較するための基準となる。 MobileRecデータセットはhttps://huggingface.co/datasets/recmeapp/mobilerecで入手できる。

関連論文リスト

• MobileConvRec: A Conversational Dataset for Mobile Apps Recommendations [2.1926846784098064]
  会話型モバイルアプリレコメンデーションのためのベンチマークデータセットであるMobileConvRecを提示する。 MobileConvRecは、45のアプリカテゴリにまたがる12万以上のマルチターンレコメンデーション関連の会話で構成されている。 我々は、MobileConvRecが会話型モバイルアプリレコメンデーションの優れたテストベッドとして機能できることを実証した。
  論文  参考訳（メタデータ） (2024-05-28T01:53:16Z)
• End-to-end Learnable Clustering for Intent Learning in Recommendation [54.157784572994316]
  我々は、アンダーラインELCRecと呼ばれる新しい意図学習手法を提案する。 振る舞い表現学習をUnderlineEnd-to-end UnderlineLearnable UnderlineClusteringフレームワークに統合する。 1億3000万ページビューの産業レコメンデーションシステムに本手法をデプロイし,有望な結果を得る。
  論文  参考訳（メタデータ） (2024-01-11T15:22:55Z)
• On Generative Agents in Recommendation [58.42840923200071]
  Agent4Recは、Large Language Modelsに基づいたレコメンデーションのユーザーシミュレータである。 各エージェントは、ページ単位でパーソナライズされた推奨モデルと対話する。
  論文  参考訳（メタデータ） (2023-10-16T06:41:16Z)
• FedGRec: Federated Graph Recommender System with Lazy Update of Latent Embeddings [108.77460689459247]
  プライバシー問題を軽減するためのフェデレートグラフレコメンダシステム(FedGRec)を提案する。 本システムでは,ユーザとサーバは,ユーザとアイテムに対する遅延埋め込みを明示的に記憶する。 我々は,遅延埋め込みを相互作用グラフの欠落のプロキシとして用いることの有効性を検証するために,広範な実験的な評価を行った。
  論文  参考訳（メタデータ） (2022-10-25T01:08:20Z)
• TTRS: Tinkoff Transactions Recommender System benchmark [62.997667081978825]
  TTRS - Tinkoff Transactions Recommender Systemベンチマークを示す。 この金融取引ベンチマークには、約1万人のユーザーと、14ヶ月で1000以上の商業ブランドの間で200万以上のインタラクションが含まれている。 また,現在普及しているRecSys手法を次の期間の推薦タスクで総合的に比較し,その性能を様々な指標や推奨目標に対して詳細に分析する。
  論文  参考訳（メタデータ） (2021-10-11T20:04:07Z)
• Mobile Sensing for Multipurpose Applications in Transportation [0.0]
  国務省は、交通問題をタイムリーに分析・解決するために一貫したデータを集めるのに苦労している。 スマートフォンに内蔵されたセンサーの最近の進歩は、より手頃なデータ収集方法をもたらした。 開発されたアプリは、ミズーリ州コロンビアとミズーリ州カンザスシティを結ぶi70Wハイウェイのデータを収集して評価された。
  論文  参考訳（メタデータ） (2021-06-20T17:56:12Z)
• Emerging App Issue Identification via Online Joint Sentiment-Topic Tracing [66.57888248681303]
  本稿では,MERITという新しい問題検出手法を提案する。 AOBSTモデルに基づいて、1つのアプリバージョンに対するユーザレビューに否定的に反映されたトピックを推測する。 Google PlayやAppleのApp Storeで人気のアプリに対する実験は、MERITの有効性を実証している。
  論文  参考訳（メタデータ） (2020-08-23T06:34:05Z)
• Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
  我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。 我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。 私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
  論文  参考訳（メタデータ） (2020-05-19T10:18:43Z)
• Mobile Phone Usage Data for Credit Scoring [1.7205106391379026]
  私たちは、異なる分類アルゴリズムを使用して、顧客をモバイルデータを使用して支払いと非支払いに分割します。 2,503人の顧客のみに基づくモバイルデータからなるデータセットでは、信用リスクを予測できることがわかった。
  論文  参考訳（メタデータ） (2020-02-28T09:32:11Z)

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。