論文の概要: DRIFT: A Federated Recommender System with Implicit Feedback on the
Items
- arxiv url: http://arxiv.org/abs/2304.09084v1
- Date: Mon, 17 Apr 2023 13:12:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-19 14:02:27.835823
- Title: DRIFT: A Federated Recommender System with Implicit Feedback on the
Items
- Title(参考訳): drift: アイテムに対する暗黙的なフィードバックを備えたフェデレーションレコメンダシステム
- Authors: Theo Nommay
- Abstract要約: DRIFTは、暗黙のフィードバックを使用してレコメンデーションシステムのための連合アーキテクチャである。
我々の学習モデルは、暗黙のフィードバックSAROSを用いた最近のアルゴリズムに基づく。
我々のアルゴリズムは安全であり、当社のフェデレーションシステムの参加者は、ユーザによるインタラクションを推測できない。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Nowadays there are more and more items available online, this makes it hard
for users to find items that they like. Recommender systems aim to find the
item who best suits the user, using his historical interactions. Depending on
the context, these interactions may be more or less sensitive and collecting
them brings an important problem concerning the users' privacy. Federated
systems have shown that it is possible to make accurate and efficient
recommendations without storing users' personal information. However, these
systems use instantaneous feedback from the user. In this report, we propose
DRIFT, a federated architecture for recommender systems, using implicit
feedback. Our learning model is based on a recent algorithm for recommendation
with implicit feedbacks SAROS. We aim to make recommendations as precise as
SAROS, without compromising the users' privacy. In this report we show that
thanks to our experiments, but also thanks to a theoretical analysis on the
convergence. We have shown also that the computation time has a linear
complexity with respect to the number of interactions made. Finally, we have
shown that our algorithm is secure, and participants in our federated system
cannot guess the interactions made by the user, except DOs that have the item
involved in the interaction.
- Abstract(参考訳): 現在、オンラインで利用できるアイテムが増えているため、ユーザーが好きなアイテムを見つけるのが難しくなっている。
Recommender システムは,ユーザにとって最も適した項目を見つけることを目的としている。
コンテキストによっては、これらのインタラクションは多かれ少なかれセンシティブになり、収集はユーザのプライバシに関する重要な問題をもたらす。
フェデレーションシステムでは,ユーザの個人情報を保存せずに正確かつ効率的なレコメンデーションを行うことが可能である。
しかし,これらのシステムはユーザからのフィードバックを瞬時に利用する。
本稿では,暗黙のフィードバックを用いた推薦システムのための統合アーキテクチャであるDRIFTを提案する。
我々の学習モデルは、暗黙のフィードバックSAROSを用いた最近のアルゴリズムに基づく。
ユーザのプライバシを損なうことなく,salosと同じくらい正確なレコメンデーションを目指しています。
本報告では,実験のおかげだが,収束に関する理論的解析のおかげであることを示す。
また,計算時間は相互作用の数に関して線形複雑性を持つことを示した。
最後に,提案手法が安全であることを示し,連合システムの参加者は,インタラクションに関わる項目を持つdosを除いては,ユーザによるインタラクションを推測できない。
関連論文リスト
- User-Controllable Recommendation via Counterfactual Retrospective and
Prospective Explanations [96.45414741693119]
本稿では,説明可能性と可制御性をシームレスに統合するユーザ制御型レコメンデータシステムを提案する。
反ファクト推論を通じて、ふりかえりと予測的な説明の両方を提供することで、ユーザーはシステムに対する制御をカスタマイズできる。
論文 参考訳(メタデータ) (2023-08-02T01:13:36Z) - Dual Intent Enhanced Graph Neural Network for Session-based New Item
Recommendation [74.81561396321712]
セッションベースレコメンデーションのためのデュアルインテント拡張グラフニューラルネットワークを提案する。
我々は,注意機構と履歴データの分布からユーザ意図を学習する。
対応する項目のレコメンデーションスコアを含む新項目確率を出力することにより、より高いスコアを持つ新項目をユーザに推奨する。
論文 参考訳(メタデータ) (2023-05-10T02:42:12Z) - 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) - Comparison-based Conversational Recommender System with Relative Bandit
Feedback [15.680698037463488]
比較に基づく会話推薦システムを提案する。
我々はRelativeConUCBと呼ばれる新しい帯域幅アルゴリズムを提案する。
合成および実世界の両方のデータセットに対する実験により,提案手法の利点が検証された。
論文 参考訳(メタデータ) (2022-08-21T08:05:46Z) - Causal Disentanglement with Network Information for Debiased
Recommendations [34.698181166037564]
近年の研究では、因果的観点からレコメンデーターシステムをモデル化することで、デビアスを提案する。
この設定における重要な課題は、隠れた共同設立者を説明することだ。
我々は,ネットワーク情報(すなわち,ユーザ・ソーシャルおよびユーザ・イテムネットワーク)を活用して,隠れた共同創設者をよりよく近似することを提案する。
論文 参考訳(メタデータ) (2022-04-14T20:55:11Z) - Explainability in Music Recommender Systems [69.0506502017444]
音楽レコメンダシステム(MRS)の文脈における説明可能性について論じる。
MRSは非常に複雑で、推奨精度に最適化されることが多い。
本稿では、MSSに説明可能性コンポーネントを組み込む方法と、どのようなフォーム説明を提供するかを示す。
論文 参考訳(メタデータ) (2022-01-25T18:32:11Z) - 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) - Learning Complex Users' Preferences for Recommender Systems [0.5076419064097734]
この論文は一般的なRSの性能向上に焦点を当てている。
既存の一般的なRSのほとんどは、類似したユーザーを検出するために、一般的なアイテムのユーザーの評価パターンを利用する傾向にある。
本研究では,その性格特性の類似性に基づいて,類似したユーザを識別するパーソナリティベースのRSを提案する。
論文 参考訳(メタデータ) (2021-07-04T03:25:15Z) - Seamlessly Unifying Attributes and Items: Conversational Recommendation
for Cold-Start Users [111.28351584726092]
コールドスタートユーザに対しては,属性を問うと同時に,ユーザに対して対話的に商品を推薦する,対話型レコメンデーションを提案する。
会話型トンプソンサンプリング(ConTS)モデルでは,最大報酬の腕を選択することで,対話型レコメンデーションにおけるすべての質問を一意に解決する。
論文 参考訳(メタデータ) (2020-05-23T08:56:37Z) - 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)
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。