論文の概要: Methodologies for Improving Modern Industrial Recommender Systems
- arxiv url: http://arxiv.org/abs/2308.01204v1
- Date: Fri, 21 Jul 2023 03:33:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-06 10:53:14.417414
- Title: Methodologies for Improving Modern Industrial Recommender Systems
- Title(参考訳): 近代産業レコメンデーションシステム改善のための方法論
- Authors: Shusen Wang
- Abstract要約: Recommender System(RS)は、ソーシャルメディア、eコマース、エンターテイメントなどの分野で成功した技術である。
本稿では,近代工業用RSの改良手法について考察する。
- 参考スコア(独自算出の注目度): 19.296314932479497
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recommender system (RS) is an established technology with successful
applications in social media, e-commerce, entertainment, and more. RSs are
indeed key to the success of many popular APPs, such as YouTube, Tik Tok,
Xiaohongshu, Bilibili, and others. This paper explores the methodology for
improving modern industrial RSs. It is written for experienced RS engineers who
are diligently working to improve their key performance indicators, such as
retention and duration. The experiences shared in this paper have been tested
in some real industrial RSs and are likely to be generalized to other RSs as
well. Most contents in this paper are industry experience without publicly
available references.
- Abstract(参考訳): Recommender System(RS)は、ソーシャルメディア、eコマース、エンターテイメントなどの分野で成功した技術である。
YouTube、Tik Tok、Xiaohongshu、Bilibiliなど、多くの人気のあるAPPの成功の鍵はRSにある。
本稿では,現代産業rss改善の方法論について考察する。
保守や持続時間といった重要なパフォーマンス指標の改善に熱心に取り組んでいる経験豊富なRSエンジニアのために書かれたものだ。
この論文で共有されている経験は、実際の産業用rssでテストされており、他のrssにも一般化される可能性が高い。
本論文のほとんどの内容は、公開参照のない業界経験である。
関連論文リスト
- REAR: A Relevance-Aware Retrieval-Augmented Framework for Open-Domain
Question Answering [122.62012375722124]
既存の手法では,大規模言語モデル (LLM) は検索した文書の関連性を正確に評価することはできない。
Relevance-Aware Retrieval-augmented approach for open- domain question answering (QA)を提案する。
論文 参考訳(メタデータ) (2024-02-27T13:22:51Z) - 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) - How Can Recommender Systems Benefit from Large Language Models: A Survey [83.90471827695625]
大きな言語モデル(LLM)は、印象的な汎用知性と人間のような能力を示している。
我々は,実世界のレコメンデータシステムにおけるパイプライン全体の観点から,この研究の方向性を包括的に調査する。
論文 参考訳(メタデータ) (2023-06-09T11:31:50Z) - Multimodal Recommender Systems: A Survey [6.022519399411655]
マルチモーダル・レコメンダ・システム(MRS)は近年,学界と産業の両方から注目を集めている。
本稿では,主に技術的観点から,MSSモデルに関する総合的な調査を行う。
本稿では,既存のMSSモデルについて,特徴相互作用,特徴強調,モデル最適化という3つのカテゴリで紹介する。
論文 参考訳(メタデータ) (2023-02-08T05:12:54Z) - A Comparison Between Tsetlin Machines and Deep Neural Networks in the
Context of Recommendation Systems [4.662321040754879]
勧告システム(Recommendation Systems, RS)は、現代社会において広く使われており、人間とAIの相互作用の最大のポイントの1つである。
現代のRSは、しばしば深層学習モデルを用いて実装される。
新たに導入されたTsetlin Machines (TM) は、その固有の解釈可能性のために、いくつかの価値のある性質を持っている。
論文 参考訳(メタデータ) (2022-12-20T10:05:36Z) - Meta-Shop: Improving Item Advertisement For Small Businesses [9.092625874791041]
既存のRecommender Systems (RS) は、いくつかの販売履歴を持つ中小企業には効果がなかった。
本稿では,中小企業や店舗の広告パフォーマンス向上を目的としたメタラーニングに基づくRSを提案する。
論文 参考訳(メタデータ) (2022-12-02T19:24:49Z) - Trustworthy Recommender Systems [27.27498627500375]
Recommender System (RS) は、ユーザーが大きなカタログから興味のあるアイテムを効果的に取り出すのを支援することを目的としている。
近年では、攻撃やシステムやユーザ生成ノイズ、システムのバイアスなど、RSに対する脅威が増加している。
エンドユーザーにとって、信頼できるRS(TRS)は正確であるだけでなく、透明で偏りがなく公正であり、ノイズや攻撃に対して堅牢であるべきである。
論文 参考訳(メタデータ) (2022-08-10T08:28:46Z) - TTRS: Tinkoff Transactions Recommender System benchmark [62.997667081978825]
TTRS - Tinkoff Transactions Recommender Systemベンチマークを示す。
この金融取引ベンチマークには、約1万人のユーザーと、14ヶ月で1000以上の商業ブランドの間で200万以上のインタラクションが含まれている。
また,現在普及しているRecSys手法を次の期間の推薦タスクで総合的に比較し,その性能を様々な指標や推奨目標に対して詳細に分析する。
論文 参考訳(メタデータ) (2021-10-11T20:04:07Z) - A survey on applications of augmented, mixed and virtual reality for
nature and environment [114.4879749449579]
拡張現実(AR)、仮想現実(VR)、複合現実(MR)は、彼らが提供できるエンゲージメントとエンリッチな体験のために、大きな潜在能力を持つ技術である。
しかし、環境応用の分野でAR、VR、MRがもたらす可能性はまだ広く研究されていない。
本研究は,環境に有利な既存のAR/VR/MRアプリケーションを発見・分類したり,環境問題に対する意識を高めることを目的とした調査の結果を示す。
論文 参考訳(メタデータ) (2020-08-27T09:59:27Z) - Dynamic Causal Effects Evaluation in A/B Testing with a Reinforcement
Learning Framework [68.96770035057716]
A/Bテスト(A/B Testing)は、新しい製品を製薬、技術、伝統産業の古い製品と比較するビジネス戦略である。
本稿では,オンライン実験においてA/Bテストを実施するための強化学習フレームワークを提案する。
論文 参考訳(メタデータ) (2020-02-05T10:25:02Z)
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。