論文の概要: Adaptive Collaborative Filtering with Personalized Time Decay Functions
for Financial Product Recommendation
- arxiv url: http://arxiv.org/abs/2308.01208v1
- Date: Tue, 1 Aug 2023 14:27:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-03 12:32:19.856831
- Title: Adaptive Collaborative Filtering with Personalized Time Decay Functions
for Financial Product Recommendation
- Title(参考訳): 金融商品レコメンデーションのための個人化時間短縮機能付き適応的協調フィルタリング
- Authors: Ashraf Ghiye, Baptiste Barreau, Laurent Carlier, Michalis Vazirgiannis
- Abstract要約: 古典的なレコメンデータシステムは、歴史的データが定常的であり、ユーザの好みの動的な性質を説明できないとしばしば仮定する。
本稿では,遠隔クライアント-製品間相互作用を適応的に解消できる時間依存協調フィルタリングアルゴリズムを提案する。
当社のアプローチは、金融データの非定常性に対処し、信頼できるレコメンデーションを生成するように設計されている。
- 参考スコア(独自算出の注目度): 14.783829037950984
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Classical recommender systems often assume that historical data are
stationary and fail to account for the dynamic nature of user preferences,
limiting their ability to provide reliable recommendations in time-sensitive
settings. This assumption is particularly problematic in finance, where
financial products exhibit continuous changes in valuations, leading to
frequent shifts in client interests. These evolving interests, summarized in
the past client-product interactions, see their utility fade over time with a
degree that might differ from one client to another. To address this challenge,
we propose a time-dependent collaborative filtering algorithm that can
adaptively discount distant client-product interactions using personalized
decay functions. Our approach is designed to handle the non-stationarity of
financial data and produce reliable recommendations by modeling the dynamic
collaborative signals between clients and products. We evaluate our method
using a proprietary dataset from BNP Paribas and demonstrate significant
improvements over state-of-the-art benchmarks from relevant literature. Our
findings emphasize the importance of incorporating time explicitly in the model
to enhance the accuracy of financial product recommendation.
- Abstract(参考訳): 古典的なレコメンデータシステムは、歴史的データが定常的であり、ユーザの好みの動的な性質を説明できないと仮定し、時間に敏感な設定で信頼できるレコメンデーションを提供する能力を制限する。
この仮定は金融において特に問題であり、金融商品が継続的な評価の変化を示し、顧客利益の頻繁な変化をもたらす。
これらの進化する関心は、過去のクライアントとプロダクトの相互作用でまとめられ、クライアントと他のクライアントと異なる程度で、そのユーティリティが時間とともにフェードするのを見る。
そこで本研究では,個人化減衰関数を用いた遠隔クライアント製品間インタラクションを適応的に削減できる時間依存協調フィルタリングアルゴリズムを提案する。
本手法は,金融データの非定常性に対処し,クライアントと製品間の動的協調信号のモデリングにより信頼性の高いレコメンデーションを生成する。
我々は,BNP Paribasの独自データセットを用いて本手法の評価を行い,関連する文献からの最先端ベンチマークを大幅に改善した。
本研究は,金融商品レコメンデーションの正確性を高めるため,モデルに明示的に時間を取り入れることの重要性を強調した。
関連論文リスト
- Churn Prediction via Multimodal Fusion Learning:Integrating Customer
Financial Literacy, Voice, and Behavioral Data [14.948017876322597]
本稿では,金融サービスプロバイダの顧客リスクレベルを特定するためのマルチモーダル融合学習モデルを提案する。
弊社のアプローチは、顧客感情の財務リテラシー(FL)レベルと、財務行動データを統合している。
我々の新しいアプローチは、チャーン予測の顕著な改善を示し、テスト精度91.2%、平均精度66、マクロ平均F1スコア54を達成した。
論文 参考訳(メタデータ) (2023-12-03T06:28:55Z) - MISSRec: Pre-training and Transferring Multi-modal Interest-aware
Sequence Representation for Recommendation [61.45986275328629]
逐次レコメンデーションのためのマルチモーダル事前学習・転送学習フレームワークであるMISSRecを提案する。
ユーザ側ではトランスフォーマーベースのエンコーダデコーダモデルを設計し、コンテキストエンコーダがシーケンスレベルのマルチモーダルユーザ興味を捉えることを学習する。
候補項目側では,ユーザ適応項目表現を生成するために動的融合モジュールを採用する。
論文 参考訳(メタデータ) (2023-08-22T04:06:56Z) - Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。
FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。
PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
論文 参考訳(メタデータ) (2023-05-01T20:04:46Z) - Improved Churn Causal Analysis Through Restrained High-Dimensional
Feature Space Effects in Financial Institutions [9.84528076130809]
顧客チャーン(Customer Churn)は、ビジネスとの関係を終了するか、特定の期間における顧客エンゲージメントを減少させる。
顧客の獲得コストは、顧客の保持の5倍から6倍になり得るので、リスクの厳しい顧客への投資は賢明です。
本研究では、独立変数と相関し、チャーンに影響を及ぼす従属変数と因果関係にある相反する特徴を発見するための概念的枠組みを提案する。
論文 参考訳(メタデータ) (2023-04-23T00:45:35Z) - Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。
AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。
誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
論文 参考訳(メタデータ) (2022-09-22T04:32:51Z) - Price DOES Matter! Modeling Price and Interest Preferences in
Session-based Recommendation [55.0391061198924]
セッションベースのレコメンデーションは、匿名ユーザが自分の短い行動シーケンスに基づいて購入したいアイテムを予測することを目的としている。
セッションベースのレコメンデーションの価格設定を組み込むのは簡単ではない。
セッションベースレコメンデーションのためのCoHHN(Co-guided Heterogeneous Hypergraph Network)を提案する。
論文 参考訳(メタデータ) (2022-05-09T10:47:15Z) - Contrastive Self-supervised Sequential Recommendation with Robust
Augmentation [101.25762166231904]
Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。
データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。
逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
論文 参考訳(メタデータ) (2021-08-14T07:15:25Z) - PURS: Personalized Unexpected Recommender System for Improving User
Satisfaction [76.98616102965023]
本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。
3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
論文 参考訳(メタデータ) (2021-06-05T01:33:21Z) - History-Augmented Collaborative Filtering for Financial Recommendations [0.0]
本稿では,ユーザ間インタラクションの時間的文脈をキャプチャする新しい協調フィルタリングアルゴリズムを提案する。
このアルゴリズムは、ユーザとアイテムの動作の非定常性に対処するカスタムニューラルネットワークアーキテクチャを使用する。
論文 参考訳(メタデータ) (2021-02-26T14:24:04Z) - Friendship is All we Need: A Multi-graph Embedding Approach for Modeling
Customer Behavior [1.181206257787103]
顧客を非線形に表現するためのマルチグラフ埋め込み手法を提案する。
我々は,友人関係の情報を入手することでのみ,ユーザの将来の行動を合理的に予測することができる。
論文 参考訳(メタデータ) (2020-10-06T14:50:05Z) - MRIF: Multi-resolution Interest Fusion for Recommendation [0.0]
本稿では,ユーザの利害関係を考慮に入れた多分解能利害融合モデル(MRIF)を提案する。
提案モデルでは,ユーザの興味の動的変化を異なる時間範囲で捉えることができ,マルチ解像度のユーザ関心を組み合わせて予測を行う効果的な方法を提供する。
論文 参考訳(メタデータ) (2020-07-08T02:32:15Z)
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。