論文の概要: Recommender Systems for Online and Mobile Social Networks: A survey

• arxiv url: http://arxiv.org/abs/2307.01207v1
• Date: Wed, 28 Jun 2023 09:44:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-09 13:40:45.786926
• Title: Recommender Systems for Online and Mobile Social Networks: A survey
• Title（参考訳）: オンラインおよびモバイルソーシャルネットワークのためのレコメンダシステム:調査
• Authors: Mattia Giovanni Campana, Franca Delmastro
• Abstract要約: 本稿では,オンラインおよびモバイルソーシャルネットワーク向けに設計・実装されたRecommenderシステムについて調査する。 社会的文脈情報の利用がいかにレコメンデーションタスクを改善するかを強調した。 本稿では,これらのシステムの利点と欠点を,アルゴリズム,対象領域,評価指標,性能評価の観点から説明する。
• 参考スコア（独自算出の注目度）: 7.310043452300736
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender Systems (RS) currently represent a fundamental tool in online services, especially with the advent of Online Social Networks (OSN). In this case, users generate huge amounts of contents and they can be quickly overloaded by useless information. At the same time, social media represent an important source of information to characterize contents and users' interests. RS can exploit this information to further personalize suggestions and improve the recommendation process. In this paper we present a survey of Recommender Systems designed and implemented for Online and Mobile Social Networks, highlighting how the use of social context information improves the recommendation task, and how standard algorithms must be enhanced and optimized to run in a fully distributed environment, as opportunistic networks. We describe advantages and drawbacks of these systems in terms of algorithms, target domains, evaluation metrics and performance evaluations. Eventually, we present some open research challenges in this area.
• Abstract（参考訳）: Recommender Systems (RS) はオンラインサービスにおける基本的なツールであり、特に Online Social Networks (OSN) が出現した。 この場合、ユーザは大量のコンテンツを生成し、無駄な情報によって素早くオーバーロードできる。 同時に、ソーシャルメディアはコンテンツやユーザーの興味を特徴づける重要な情報源となっている。 RSはこの情報を利用して提案をさらにパーソナライズし、推奨プロセスを改善することができる。 本稿では,オンラインおよびモバイルのソーシャルネットワーク向けに設計・実装されたレコメンダシステムに関する調査を行い,ソーシャルコンテキスト情報の利用がレコメンデーションタスクをどのように改善するか,標準アルゴリズムを拡張・最適化して,日和見ネットワークとして完全に分散した環境で動作させるべきか,について述べる。 本稿では,これらのシステムの利点と欠点を,アルゴリズム,対象領域,評価指標,性能評価の観点から説明する。 最終的には、この分野におけるオープンリサーチの課題をいくつか提示する。

関連論文リスト

• Modeling Social Media Recommendation Impacts Using Academic Networks: A Graph Neural Network Approach [4.138915764680197]
  本研究では,学術ソーシャルネットワークをソーシャルメディアにおけるレコメンデーションシステム調査のプロキシとして活用することを提案する。 グラフニューラルネットワーク(GNN)を用いて,学術情報圏の予測と行動予測を分離するモデルを構築する。 提案手法は,レコメンデーションシステムの役割とソーシャルネットワークのモデリングに関する理解を深めることを目的としている。
  論文  参考訳（メタデータ） (2024-10-06T17:03:27Z)
• Bias Reduction in Social Networks through Agent-Based Simulations [1.9608359347635145]
  ネットワーク特性に基づいてフィードを構成する単純な欲求アルゴリズムにより、ランダムフィードに匹敵する知覚バイアスを低減できることを示す。 このことは、ソーシャルネットワークのコンテキストにおけるレコメンダシステムの有効性を決定する上で、ネットワーク構造が持つ影響を裏付けるものである。
  論文  参考訳（メタデータ） (2024-09-25T02:16:20Z)
• 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)
• 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)
• Cross-Network Social User Embedding with Hybrid Differential Privacy Guarantees [81.6471440778355]
  プライバシー保護方式でユーザを包括的に表現するために,ネットワーク横断型ソーシャルユーザ埋め込みフレームワークDP-CroSUEを提案する。 特に、各異種ソーシャルネットワークに対して、異種データ型に対するプライバシー期待の変化を捉えるために、まずハイブリッドな差分プライバシーの概念を導入する。 ユーザ埋め込みをさらに強化するため、新しいネットワーク間GCN埋め込みモデルは、それらの整列したユーザを介して、ネットワーク間で知識を伝達するように設計されている。
  論文  参考訳（メタデータ） (2022-09-04T06:22:37Z)
• 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)
• Federated Social Recommendation with Graph Neural Network [69.36135187771929]
  本稿では,ソーシャル情報とユーザ・イテムの相互作用を融合させることにより,ソーシャル・レコメンデーションの問題であるソーシャル・リコメンデーションの緩和を提案する。 我々は textbfGraph Neural Network (FeSoG) を用いた textbfFedrated textbfSocial 推薦フレームワークを考案した。
  論文  参考訳（メタデータ） (2021-11-21T09:41:39Z)
• Graph Neural Networks in Recommender Systems: A Survey [21.438347815928918]
  推薦システムでは、インタラクションとサイド情報から効果的なユーザ/イテム表現を学習することが主な課題である。 近年,グラフニューラルネットワーク(GNN)技術はリコメンデータシステムで広く利用されている。 本稿は、GNNベースのレコメンデータシステムに関する最近の研究成果を包括的にレビューすることを目的としている。
  論文  参考訳（メタデータ） (2020-11-04T12:57:47Z)
• MARS-Gym: A Gym framework to model, train, and evaluate Recommender Systems for Marketplaces [51.123916699062384]
  MARS-Gymは、市場におけるレコメンデーションのための強化学習エージェントの構築と評価を行うオープンソースフレームワークである。 本稿では,Trivagoマーケットプレースデータセットにおいて,さまざまなベースラインエージェントの実装とメトリクス駆動による分析を行う。 学術研究と生産システムとのギャップを埋め、新しいアルゴリズムやアプリケーションの設計を容易にしたいと考えている。
  論文  参考訳（メタデータ） (2020-09-30T16:39:31Z)
• Applying Social Event Data for the Management of Cellular Networks [0.34410212782758043]
  本稿では,ソーシャルデータの自動取得と処理の枠組みと,ネットワーク要素(NE)との関連性について述べる。 実際のネットワークで直接動作するように設計されたシステムの主な機能を定義し,開発する。
  論文  参考訳（メタデータ） (2020-06-16T15:35:38Z)
• Sequential Recommender Systems: Challenges, Progress and Prospects [50.12218578518894]
  シーケンシャルレコメンダシステム(SRS)は、シーケンシャルなユーザ行動、ユーザとアイテム間の相互作用、ユーザの好みとアイテムの人気の時間的変化を理解し、モデル化しようとする。 まず, SRSの特徴を概説し, 研究領域における課題をまとめ, 分類し, そして, 最新の研究成果と代表的研究成果から, 対応する研究の進展を概説する。
  論文  参考訳（メタデータ） (2019-12-28T05:12:28Z)

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。