論文の概要: STUDY: Socially Aware Temporally Causal Decoder Recommender Systems

• arxiv url: http://arxiv.org/abs/2306.07946v3
• Date: Tue, 5 Sep 2023 09:39:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-07 04:46:41.836346
• Title: STUDY: Socially Aware Temporally Causal Decoder Recommender Systems
• Title（参考訳）: 社会的に認識された時間的因果デコーダ推薦システムに関する研究
• Authors: Eltayeb Ahmed, Diana Mincu, Lauren Harrell, Katherine Heller, Subhrajit Roy
• Abstract要約: 本稿では,社会的に意識した時間的カウスアルデコーダsYstemを紹介する。 変圧器デコーダネットワークの1つの前方通過における社会的連結群に対する共同推論を行う。 ディプレクシックな学生や苦手な読者のために,本を推薦する上での学習のメリットを実証する。
• 参考スコア（独自算出の注目度）: 2.9044543030750716
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommender systems are widely used to help people find items that are tailored to their interests. These interests are often influenced by social networks, making it important to use social network information effectively in recommender systems. This is especially true for demographic groups with interests that differ from the majority. This paper introduces STUDY, a Socially-aware Temporally caUsal Decoder recommender sYstem. STUDY introduces a new socially-aware recommender system architecture that is significantly more efficient to learn and train than existing methods. STUDY performs joint inference over socially connected groups in a single forward pass of a modified transformer decoder network. We demonstrate the benefits of STUDY in the recommendation of books for students who are dyslexic, or struggling readers. Dyslexic students often have difficulty engaging with reading material, making it critical to recommend books that are tailored to their interests. We worked with our non-profit partner Learning Ally to evaluate STUDY on a dataset of struggling readers. STUDY was able to generate recommendations that more accurately predicted student engagement, when compared with existing methods.
• Abstract（参考訳）: レコメンダシステムは、人々が自分の興味に合ったアイテムを見つけるのに広く使われている。 これらの関心はしばしばソーシャルネットワークに影響され、リコメンデーションシステムにおいてソーシャルネットワーク情報を効果的に利用することが重要である。 これは、多数派とは異なる関心を持つ人口集団に特に当てはまる。 本稿では,社会的に意識した時間的カウスアルデコーダsYstemを紹介する。 研究は、既存の手法よりも学習とトレーニングがはるかに効率的である、社会的に認識された新しいレコメンデーションシステムアーキテクチャを紹介する。 変圧器デコーダネットワークの1つの前方通過における社会的連結群に対する共同推論を行う。 本論文は,読字障害や読者の苦悩に苦しむ学生向けの本推薦において,学習の利点を実証する。 ディスレクシックな学生は、しばしば読書に関わることが難しく、自分の興味に合わせた本を推薦することが重要である。 私たちは非営利団体のLearning Allyと協力して、苦労している読者のデータセットに関する評価を行いました。 従来の方法と比較して、学生のエンゲージメントをより正確に予測するレコメンデーションを生成することができた。

関連論文リスト

• Deep Adaptive Interest Network: Personalized Recommendation with Context-Aware Learning [0.3495246564946556]
  本稿では,Deep Adaptive Interest Network(DAIN)と呼ばれる新しいモデルを提案する。 DAINはユーザの興味を動的にモデル化し、コンテキスト認識学習機構を導入し、正確で適応的なパーソナライズされたレコメンデーションを実現する。 いくつかの公開データセットで実施された実験は、DAINが推奨性能と計算効率の両方で優れていることを示した。
  論文  参考訳（メタデータ） (2024-09-04T04:12:22Z)
• Use of recommendation models to provide support to dyslexic students [0.0]
  本研究は, ディプレックス学生に最も適した支援ツールとして, AIを活用する可能性について検討した。 我々は,3つの協調フィルタリング推薦モデルを訓練し,1237名の学生の大規模データベース上で実験を行った。 その結果,レコメンデーションシステムは,全員に最適なヘルプツールや戦略を提案する上で極めて有効であることがわかった。
  論文  参考訳（メタデータ） (2024-03-18T12:12:38Z)
• Exploring Machine Learning Models for Federated Learning: A Review of Approaches, Performance, and Limitations [1.1060425537315088]
  フェデレートラーニング(Federated Learning)は、個人のデータのプライバシを保護するために強化された分散学習フレームワークである。 危機時には、リアルタイムな意思決定が重要である場合、フェデレートされた学習は、機密データを共有せずに複数のエンティティをまとめて機能させることができる。 本稿では,ここ数年のプライバシ保護機械学習に関する文献を体系的にレビューする。
  論文  参考訳（メタデータ） (2023-11-17T19:23:21Z)
• 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)
• Tag-Aware Document Representation for Research Paper Recommendation [68.8204255655161]
  本稿では,ユーザによって割り当てられたソーシャルタグに基づいて,研究論文の深い意味表現を活用するハイブリッドアプローチを提案する。 提案手法は,評価データが極めて少ない場合でも研究論文の推薦に有効である。
  論文  参考訳（メタデータ） (2022-09-08T09:13:07Z)
• Propagation-aware Social Recommendation by Transfer Learning [0.0]
  本稿では,社会関係の伝播に基づくトランスファーラーニングネットワークを提案する。 a) 上位の友人は、順序バイアスによって考慮され、b) 同じ順序の異なる友人は、注意機構による推薦において、明確な重要性を持つ。
  論文  参考訳（メタデータ） (2021-07-10T14:21:27Z)
• KnowledgeCheckR: Intelligent Techniques for Counteracting Forgetting [52.623349754076024]
  KnowledgeCheckRに統合された推奨アプローチの概要を提供します。 その例としては,将来的に繰り返される学習内容の識別を支援するユーティリティベースのレコメンデーション,セッションベースのレコメンデーションを実装するための協調フィルタリングアプローチ,インテリジェントな質問応答を支援するコンテントベースのレコメンデーションなどがある。
  論文  参考訳（メタデータ） (2021-02-15T20:06:28Z)
• Generative Inverse Deep Reinforcement Learning for Online Recommendation [62.09946317831129]
  オンラインレコメンデーションのための新しい逆強化学習手法InvRecを提案する。 InvRecは、オンラインレコメンデーションのために、ユーザの行動から報酬関数を自動的に抽出する。
  論文  参考訳（メタデータ） (2020-11-04T12:12:25Z)
• A Deep Hybrid Model for Recommendation Systems [0.0]
  我々は,ID埋め込みだけでなく,求人情報の特徴や求人システム候補などの補助情報も含む新しいディープニューラルネットワークアーキテクチャを提案する。 ジョブサイトからのデータセットに対する実験結果から,提案手法は,ID埋め込みを用いたディープラーニングモデルよりも推奨結果を改善することが示された。
  論文  参考訳（メタデータ） (2020-09-21T10:41:28Z)
• Knowledge-guided Deep Reinforcement Learning for Interactive Recommendation [49.32287384774351]
  インタラクティブレコメンデーションは、アイテムとユーザ間の動的インタラクションから学び、応答性と精度を達成することを目的としている。 本稿では,知識指導型深層強化学習を提案する。
  論文  参考訳（メタデータ） (2020-04-17T05:26:47Z)
• 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。