論文の概要: Recommendation Systems in Libraries: an Application with Heterogeneous Data Sources

• arxiv url: http://arxiv.org/abs/2303.11746v1
• Date: Tue, 21 Mar 2023 11:13:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-22 15:24:07.391084
• Title: Recommendation Systems in Libraries: an Application with Heterogeneous Data Sources
• Title（参考訳）: 図書館におけるレコメンデーションシステム:異種データソースを用いたアプリケーション
• Authors: Alessandro Speciale, Greta Vallero, Luca Vassio, Marco Mellia
• Abstract要約: Reading&Machineプロジェクトは、デジタル化のサポートを利用して、ライブラリの魅力を高め、ユーザエクスペリエンスを向上させる。 プロジェクトでは、ユーザが意思決定プロセスにおいて、ユーザが興味を持つであろう書籍のリストをレコメンデーションシステム(RecSys)で作成するアプリケーションを実装している。
• 参考スコア（独自算出の注目度）: 66.81627042740679
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The Reading&Machine project exploits the support of digitalization to increase the attractiveness of libraries and improve the users' experience. The project implements an application that helps the users in their decision-making process, providing recommendation system (RecSys)-generated lists of books the users might be interested in, and showing them through an interactive Virtual Reality (VR)-based Graphical User Interface (GUI). In this paper, we focus on the design and testing of the recommendation system, employing data about all users' loans over the past 9 years from the network of libraries located in Turin, Italy. In addition, we use data collected by the Anobii online social community of readers, who share their feedback and additional information about books they read. Armed with this heterogeneous data, we build and evaluate Content Based (CB) and Collaborative Filtering (CF) approaches. Our results show that the CF outperforms the CB approach, improving by up to 47\% the relevant recommendations provided to a reader. However, the performance of the CB approach is heavily dependent on the number of books the reader has already read, and it can work even better than CF for users with a large history. Finally, our evaluations highlight that the performances of both approaches are significantly improved if the system integrates and leverages the information from the Anobii dataset, which allows us to include more user readings (for CF) and richer book metadata (for CB).
• Abstract（参考訳）: reading&machineプロジェクトは、デジタル化のサポートを利用して、ライブラリの魅力を高め、ユーザエクスペリエンスを向上させる。 このプロジェクトは、ユーザが意思決定プロセスにおいて、ユーザが関心を持つであろう書籍のリストをレコメンデーションシステム(RecSys)で作成し、インタラクティブなバーチャルリアリティ(VR)ベースのグラフィカルユーザインタフェース(GUI)を通じて表示するアプリケーションを実装する。 本稿では,イタリア・トリノにある図書館のネットワークから,過去9年間に全利用者の貸付情報を利用したレコメンデーションシステムの設計とテストに焦点をあてる。 さらに、anobii online social community of readerが収集したデータを用いて、読者からのフィードバックや、読んだ本に関する追加情報を共有します。 この異種データを用いて,コンテンツベース(cb)と協調フィルタリング(cf)のアプローチを構築し,評価する。 以上の結果から,CFはCBアプローチよりも優れており,読者に提供された推奨事項の47倍も改善されている。 しかし、cbアプローチのパフォーマンスは、読者が既に読んだ書籍の数に大きく依存しており、大きな歴史を持つユーザにとってはcfよりもうまく機能する。 最後に、評価では、システムがanobiiデータセットの情報を統合して活用すれば、両方のアプローチのパフォーマンスが大幅に改善され、それによってより多くのユーザ読み込み(cf)とよりリッチな書籍メタデータ(cb)が含まれるようになることを強調する。

関連論文リスト

• EmbSum: Leveraging the Summarization Capabilities of Large Language Models for Content-Based Recommendations [38.44534579040017]
  ユーザと候補項目のオフライン事前計算を可能にするフレームワークであるEmbSumを紹介する。 このモデルがユーザ興味の要約を生成する能力は貴重な副産物であり、パーソナライズされたコンテンツレコメンデーションに有用である。
  論文  参考訳（メタデータ） (2024-05-19T04:31:54Z)
• Knowledge Adaptation from Large Language Model to Recommendation for Practical Industrial Application [54.984348122105516]
  大規模テキストコーパスで事前訓練されたLarge Language Models (LLMs) は、推奨システムを強化するための有望な道を示す。 オープンワールドの知識と協調的な知識を相乗化するLlm-driven knowlEdge Adaptive RecommeNdation (LEARN) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-07T04:00:30Z)
• Editable User Profiles for Controllable Text Recommendation [66.00743968792275]
  制御可能なテキストレコメンデーションのための新しい概念値ボトルネックモデル LACE を提案する。 LACEは、人間の読みやすい概念の簡潔なセットで各ユーザーを表現する。 ユーザ文書に基づいて概念のパーソナライズされた表現を学習する。
  論文  参考訳（メタデータ） (2023-04-09T14:52:18Z)
• 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)
• Lib-SibGMU -- A University Library Circulation Dataset for Recommender Systems Developmen [58.720142291102135]
  大学図書館の循環データセットLib-SibGMUをオープンソースとして公開しました。 ベクタライザからなるレコメンデータアーキテクチャでは,ベクタライザとしてfastTextモデルを使用することで,ベクタライザの競合的な結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-08-25T22:10:18Z)
• PEPPER: Empowering User-Centric Recommender Systems over Gossip Learning [0.0]
  PEPPERは、ゴシップ学習原則に基づく分散型レコメンデーションシステムである。 私たちのソリューションは、他の分散ソリューションよりも最大42%高速に収束します。
  論文  参考訳（メタデータ） (2022-08-09T14:51:27Z)
• Improving Rating and Relevance with Point-of-Interest Recommender System [0.0]
  我々は、協調情報とコンテンツ情報の両方が存在する場合に、クエリとイテムの関連性をモデル化するディープニューラルネットワークアーキテクチャを開発する。 これらの学習された表現を大規模データセットに適用すると、大幅な改善がもたらされた。
  論文  参考訳（メタデータ） (2022-02-17T16:43:17Z)
• How to Put Users in Control of their Data in Federated Top-N Recommendation with Learning to Rank [16.256897977543982]
  FPLは、ユーザがデバイスを離れる機密データの量を制御しながら、中央分解モデルのトレーニングに協力するアーキテクチャである。 提案手法は,フェデレートラーニングの原則に従うことで,ペアワイズ学習とランク最適化を実現する。
  論文  参考訳（メタデータ） (2020-08-17T10:13:15Z)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)

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。