Fugu-MT 論文翻訳(概要): OpenSiteRec: An Open Dataset for Site Recommendation

論文の概要: OpenSiteRec: An Open Dataset for Site Recommendation

arxiv url: http://arxiv.org/abs/2307.00856v1
Date: Mon, 3 Jul 2023 08:54:32 GMT
ステータス: 処理完了
システム内更新日: 2023-07-05 13:59:33.837324
Title: OpenSiteRec: An Open Dataset for Site Recommendation
Title（参考訳）: OpenSiteRec: サイトレコメンデーションのためのオープンデータセット
Authors: Xinhang Li, Xiangyu Zhao, Yejing Wang, Yu Liu, Yong Li, Cheng Long, Yong Zhang, Chunxiao Xing
Abstract要約: 我々はオープンな総合データセットOpenSiteRecをリリースし、サイトレコメンデーションの研究を促進・促進する。サイトレコメンデーションタスクにおける既存の一般的な手法の性能を評価するため,OpenSiteRec上でいくつかの代表的なレコメンデーションモデルのベンチマーク実験を行った。 OpenSiteRecデータセットは重要であり、サイトレコメンデーションのための高度なメソッドの開発を促進することが期待されています。
参考スコア（独自算出の注目度）: 25.713225601255807
License: http://creativecommons.org/licenses/by/4.0/
Abstract: As a representative information retrieval task, site recommendation, which aims at predicting the optimal sites for a brand or an institution to open new branches in an automatic data-driven way, is beneficial and crucial for brand development in modern business. However, there is no publicly available dataset so far and most existing approaches are limited to an extremely small scope of brands, which seriously hinders the research on site recommendation. Therefore, we collect, construct and release an open comprehensive dataset, namely OpenSiteRec, to facilitate and promote the research on site recommendation. Specifically, OpenSiteRec leverages a heterogeneous graph schema to represent various types of real-world entities and relations in four international metropolises. To evaluate the performance of the existing general methods on the site recommendation task, we conduct benchmarking experiments of several representative recommendation models on OpenSiteRec. Furthermore, we also highlight the potential application directions to demonstrate the wide applicability of OpenSiteRec. We believe that our OpenSiteRec dataset is significant and anticipated to encourage the development of advanced methods for site recommendation. OpenSiteRec is available online at https://OpenSiteRec.github.io/.
Abstract（参考訳）: 代表的な情報検索タスクとして、ブランドや機関が自動データ駆動で新たなブランチを開くための最適な場所を予測することを目的としたサイトレコメンデーションが有用であり、現代ビジネスにおけるブランド開発に不可欠である。しかし、現在利用可能なデータセットは存在せず、既存のアプローチはごく少数のブランドに限られており、サイトレコメンデーションの研究を著しく妨げている。そこで我々は,オープンな総合データセットであるopensiterecを収集,構築,公開し,サイトレコメンデーションの研究を促進・促進する。具体的には、OpenSiteRecは異種グラフスキーマを利用して、4つの国際都市における様々な種類の現実世界の実体と関係を表現する。サイトレコメンデーションタスクにおける既存の一般的な手法の性能を評価するため,OpenSiteRec上でいくつかの代表的なレコメンデーションモデルのベンチマーク実験を行った。さらに、OpenSiteRecの幅広い適用性を示すための潜在的なアプリケーション方向性についても強調する。 OpenSiteRecデータセットは重要であり、サイトレコメンデーションのための高度なメソッドの開発を促進することが期待されています。 OpenSiteRecはhttps://OpenSiteRec.github.io/.comで公開されている。

関連論文リスト

CURE4Rec: A Benchmark for Recommendation Unlearning with Deeper Influence [55.21518669075263]
CURE4Recは、レコメンデーションアンラーニング評価のための最初の包括的なベンチマークである。さまざまな影響レベルのデータに対する推薦公正性と堅牢性に対するアンラーニングの影響について検討する。
論文参考訳（メタデータ） (2024-08-26T16:21:50Z)
InteraRec: Screenshot Based Recommendations Using Multimodal Large Language Models [0.6926105253992517]
InteraRecと呼ばれる洗練されたインタラクティブなレコメンデーションフレームワークを紹介します。 InteraRecは、ユーザがWebサイトをナビゲートするときに、Webページの高周波スクリーンショットをキャプチャする。ユーザに対して価値あるパーソナライズされたオファリングを提供する上で、InteraRecの有効性を実証する。
論文参考訳（メタデータ） (2024-02-26T17:47:57Z)
EASRec: Elastic Architecture Search for Efficient Long-term Sequential Recommender Systems [82.76483989905961]
現在のSRS(Sequential Recommender Systems)は、計算とリソースの非効率に悩まされている。我々は、効率的な長期シーケンスレコメンダシステム(EASRec)のための弾性アーキテクチャー探索を開発する。 EASRecは、入力データバッチから履歴情報を活用するデータ認識ゲートを導入し、レコメンデーションネットワークの性能を改善する。
論文参考訳（メタデータ） (2024-02-01T07:22:52Z)
Instruct and Extract: Instruction Tuning for On-Demand Information Extraction [86.29491354355356]
On-Demand Information extractは、現実世界のユーザのパーソナライズされた要求を満たすことを目的としている。 InstructIEというベンチマークを、自動生成したトレーニングデータと、人手による注釈付きテストセットの両方を含む形で提示する。 InstructIE 上に構築した On-Demand Information Extractor, ODIE をさらに発展させる。
論文参考訳（メタデータ） (2023-10-24T17:54:25Z)
How Far Can Camels Go? Exploring the State of Instruction Tuning on Open Resources [117.6496550359768]
この研究は、オープンな命令追従データセットにおける命令チューニング言語モデルの最近の進歩を探求する。我々は、12の命令データセットに基づいて訓練された6.7Bから65Bのパラメータを含む、命令調整されたモデルの大規模なセットを提供する。それらの事実的知識、推論、多言語性、コーディング、そしてその後に続くオープン・エンド・インストラクションに基づいて評価する。
論文参考訳（メタデータ） (2023-06-07T19:59:23Z)
DataFinder: Scientific Dataset Recommendation from Natural Language Descriptions [100.52917027038369]
我々は、短い自然言語記述を与えられたデータセットを推奨するタスクを運用する。この作業を容易にするために、我々は、より大規模な自動構築トレーニングセットと、より少ない専門家によるアノテート評価セットからなるDataFinderデータセットを構築した。このシステムは、DataFinderデータセットに基づいてトレーニングされ、既存のサードパーティのデータセット検索エンジンよりも関連性の高い検索結果を見つける。
論文参考訳（メタデータ） (2023-05-26T05:22:36Z)
Towards Generalized Open Information Extraction [74.20080376460947]
我々は、ソーストレーニングドメインと異なるデータ分布を持つ未確認対象ドメインを一般化する、より現実的なシナリオを提案する。 DragonIEは、ドメイン内設定とドメイン外設定の両方で、F1スコアの6.4%を絶対的に上回っている。
論文参考訳（メタデータ） (2022-11-29T07:33:44Z)
Improving Conversational Recommender System via Contextual and Time-Aware Modeling with Less Domain-Specific Knowledge [25.503407835218773]
文脈から内部知識を完全に発見・抽出することを提案する。エンティティレベルとコンテキストレベルの両方の表現をキャプチャして、リコメンデーションのためのユーザの好みを共同でモデル化する。我々のモデルは、外部知識の少ないほとんどの評価指標においてより良い性能を達成し、他の領域によく一般化する。
論文参考訳（メタデータ） (2022-09-23T03:30:22Z)
MORE: A Metric Learning Based Framework for Open-domain Relation Extraction [25.149590577718996]
オープンリレーション抽出(OpenRE)は、オープンドメインコーパスからリレーションスキームを抽出するタスクである。我々はMORE(Metric Learning-based Open Relation extract)という新しい学習フレームワークを提案する。
論文参考訳（メタデータ） (2022-06-01T07:51:20Z)
CSSR: A Context-Aware Sequential Software Service Recommendation Model [4.306391411024746]
ユーザが適切なリポジトリをGitHubで見つけるのに役立つ新しいソフトウェアサービスレコメンデーションモデルを提案する。我々のモデルはまず,リポジトリのリッチなコンテキスト情報を活用するために,新しいコンテキスト依存のリポジトリグラフ埋め込み法を設計する。そして、ソフトウェアサービスレコメンデーション分野において、初めてユーザー-リポジトリ間のインタラクションのシーケンス情報を活用する。
論文参考訳（メタデータ） (2021-12-20T03:17:42Z)
Towards the D-Optimal Online Experiment Design for Recommender Selection [18.204325860752768]
ユーザとレコメンデーションの両方が、報酬に有益なコンテキスト機能を持っているため、最適なオンライン実験を見つけることは簡単ではない。本研究では,古典統計学のemphD-Optimal設計を活用し,探索時の最大情報ゲインを実現する。次に、Walmart.comでのデプロイメントの例を使って、提案手法の実践的洞察と効果を十分に説明します。
論文参考訳（メタデータ） (2021-10-23T04:30:27Z)

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。