論文の概要: PIE: Personalized Interest Exploration for Large-Scale Recommender Systems

• arxiv url: http://arxiv.org/abs/2304.06844v1
• Date: Thu, 13 Apr 2023 22:25:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-17 15:11:44.200396
• Title: PIE: Personalized Interest Exploration for Large-Scale Recommender Systems
• Title（参考訳）: PIE:大規模レコメンダシステムのためのパーソナライズされた関心探索
• Authors: Khushhall Chandra Mahajan, Amey Porobo Dharwadker, Romil Shah, Simeng Qu, Gaurav Bang, Brad Schumitsch
• Abstract要約: これらの課題に対処するために,大規模レコメンデータシステムにおける探索のためのフレームワークを提案する。 我々の方法論は、最小限の修正で既存の大規模レコメンデータシステムに容易に統合できる。 私たちの仕事は、何十億ものユーザーを対象とする人気のビデオ発見および共有プラットフォームであるFacebook Watchで運用されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender systems are increasingly successful in recommending personalized content to users. However, these systems often capitalize on popular content. There is also a continuous evolution of user interests that need to be captured, but there is no direct way to systematically explore users' interests. This also tends to affect the overall quality of the recommendation pipeline as training data is generated from the candidates presented to the user. In this paper, we present a framework for exploration in large-scale recommender systems to address these challenges. It consists of three parts, first the user-creator exploration which focuses on identifying the best creators that users are interested in, second the online exploration framework and third a feed composition mechanism that balances explore and exploit to ensure optimal prevalence of exploratory videos. Our methodology can be easily integrated into an existing large-scale recommender system with minimal modifications. We also analyze the value of exploration by defining relevant metrics around user-creator connections and understanding how this helps the overall recommendation pipeline with strong online gains in creator and ecosystem value. In contrast to the regression on user engagement metrics generally seen while exploring, our method is able to achieve significant improvements of 3.50% in strong creator connections and 0.85% increase in novel creator connections. Moreover, our work has been deployed in production on Facebook Watch, a popular video discovery and sharing platform serving billions of users.
• Abstract（参考訳）: レコメンダシステムは、ユーザにパーソナライズされたコンテンツを推薦することに成功した。 しかし、これらのシステムはしばしば人気コンテンツに乗じている。 ユーザ関心の継続的な進化は、キャプチャされる必要があるが、ユーザの関心を体系的に探索する直接的な方法はない。 これはまた、ユーザに提示された候補からトレーニングデータを生成するため、レコメンデーションパイプライン全体の品質に影響する傾向がある。 本稿では,このような課題に対処するために,大規模レコメンダシステムにおける探索フレームワークを提案する。 第一に、ユーザーが興味を持つ最高のクリエイターを特定することに焦点を当てたユーザー-クリエーター探索、第二にオンライン探索フレームワーク、第二に探索とエクスプロイトをバランスして探索ビデオの最適な普及を確保するフィード合成メカニズムである。 提案手法は,既存の大規模レコメンデーションシステムと最小限の変更で容易に統合できる。 また、ユーザ-クリエータ間の接続に関する関連するメトリクスを定義し、それが全体的なレコメンデーションパイプラインの創造性とエコシステム価値の強力な向上にどのように役立つかを理解することで、探索の価値を分析します。 調査中に一般的に見られるユーザのエンゲージメント指標の回帰とは対照的に、この方法は、強力なクリエーター接続の3.50%、新規クリエーター接続の0.85%という大幅な改善を達成できる。 さらに当社の作業は、数十億のユーザを対象とする人気のビデオ発見および共有プラットフォームであるFacebook Watch上で、実運用にデプロイされています。

関連論文リスト

• Unveiling User Satisfaction and Creator Productivity Trade-Offs in Recommendation Platforms [68.51708490104687]
  調査力の低い純粋に関連性の高い政策は、短期的ユーザの満足度を高めるが、コンテンツプールの長期的豊かさを損なうことを示す。 調査の結果,プラットフォーム上でのユーザの即時満足度と全体のコンテンツ生産との間には,根本的なトレードオフがあることが判明した。
  論文  参考訳（メタデータ） (2024-10-31T07:19:22Z)
• An Efficient Multi-threaded Collaborative Filtering Approach in Recommendation System [0.0]
  本研究は,多数のユーザを効率的に扱えるスケーラブルなレコメンデーションシステムの構築に焦点を当てる。 これを実現するために、マルチスレッドの類似性アプローチが採用されている。 この並列化は従来の手法に比べて計算時間を著しく短縮し、高速で効率的でスケーラブルなレコメンデーションシステムをもたらす。
  論文  参考訳（メタデータ） (2024-09-28T06:33:18Z)
• Retrieval Augmentation via User Interest Clustering [57.63883506013693]
  インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。 本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。 当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
  論文  参考訳（メタデータ） (2024-08-07T16:35:10Z)
• User Welfare Optimization in Recommender Systems with Competing Content Creators [65.25721571688369]
  本研究では,コンテンツ制作者間での競争ゲーム環境下で,システム側ユーザ福祉の最適化を行う。 本稿では,推奨コンテンツの満足度に基づいて,各ユーザの重みの列を動的に計算する,プラットフォームのためのアルゴリズムソリューションを提案する。 これらの重みはレコメンデーションポリシーやポストレコメンデーション報酬を調整するメカニズムの設計に利用され、それによってクリエイターのコンテンツ制作戦略に影響を与える。
  論文  参考訳（メタデータ） (2024-04-28T21:09:52Z)
• 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)
• Graph Exploration Matters: Improving both individual-level and system-level diversity in WeChat Feed Recommender [21.0013026365164]
  個人レベルの多様性とシステムレベルの多様性はどちらも産業レコメンデーターシステムにとって重要である。 WeChat AppのTop Storiesで、数億人のユーザが使用するシステムの実装とデプロイを行います。
  論文  参考訳（メタデータ） (2023-05-29T19:25:32Z)
• Personalizing Intervened Network for Long-tailed Sequential User Behavior Modeling [66.02953670238647]
  タイルユーザーは、共同トレーニング後のヘッドユーザーよりも大幅に品質の低いレコメンデーションに悩まされる。 テールユーザーで個別に訓練されたモデルは、限られたデータのために依然として劣った結果が得られる。 本稿では,テールユーザの推薦性能を大幅に向上させる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-08-19T02:50:19Z)
• An Empirical analysis on Transparent Algorithmic Exploration in Recommender Systems [17.91522677924348]
  提案手法は, 従来のミックスイン手法と比較し, 従来の評価手法と比較する。 以上の結果から,ユーザからのフィードバックは,インターフェースによる探索のために選択された項目の方がはるかに多いことが示唆された。
  論文  参考訳（メタデータ） (2021-07-31T05:08:29Z)
• PURS: Personalized Unexpected Recommender System for Improving User Satisfaction [76.98616102965023]
  本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。 3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-06-05T01:33:21Z)
• Exploration-Exploitation Motivated Variational Auto-Encoder for Recommender Systems [1.52292571922932]
  協調フィルタリングにおいて,エクスプロビテーション探索型変分自動エンコーダ(XploVAE)を導入する。 パーソナライズされたレコメンデーションを容易にするために、観測されたユーザとイテムのインタラクションを1次にキャプチャする、ユーザ固有のサブグラフを構築した。 階層的潜在空間モデルを用いて、各ユーザに対するパーソナライズされたアイテム埋め込みと、全ユーザサブグラフの人口分布を学習する。
  論文  参考訳（メタデータ） (2020-06-05T17:37:46Z)
• Recommendation system using a deep learning and graph analysis approach [1.2183405753834562]
  本稿では,行列係数化とグラフ解析に基づく新しい推薦手法を提案する。 さらに,ディープオートエンコーダを利用してユーザやアイテムの潜伏要因を初期化し,ディープ埋め込み手法によってユーザの潜伏要因をユーザ信頼グラフから収集する。
  論文  参考訳（メタデータ） (2020-04-17T08:05:33Z)

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。