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

• Retrieval Augmentation via User Interest Clustering [57.63883506013693]
  インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。 本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。 当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
  論文  参考訳（メタデータ） (2024-08-07T16:35:10Z)
• CAPRI-FAIR: Integration of Multi-sided Fairness in Contextual POI Recommendation Framework [10.454880693923808]
  本稿では,既存モデルにおける提供者と消費者の公正性を含む手法を開発する。 実験により,再装飾項目における提供者公正度に対する線形スコアリングモデルが,性能と長期露光のバランスを最大化できることが示されている。
  論文  参考訳（メタデータ） (2024-06-05T09:57:58Z)
• Inference of Utilities and Time Preference in Sequential Decision-Making [3.823356975862005]
  本稿では,自動投資マネージャやロボアドバイザの能力を高めるための新しい制御フレームワークを提案する。 本稿では,各クライアントのリスク許容度,日々の消費評価,重要な生活目標に合わせた,実用機能と時間変化率の一般的な割引スキームを組み込んだ連続時間モデルを提案する。 提案する枠組みは、個別の投資アドバイスを改善することで金融技術の進歩だけでなく、医療、経済学、人工知能など他の分野にも広く貢献する。
  論文  参考訳（メタデータ） (2024-05-24T23:13:56Z)
• Emulating Full Client Participation: A Long-Term Client Selection Strategy for Federated Learning [48.94952630292219]
  本稿では,クライアントの完全参加によって達成されるパフォーマンスをエミュレートする新しいクライアント選択戦略を提案する。 1ラウンドで、クライアントサブセットとフルクライアントセット間の勾配空間推定誤差を最小化し、クライアントを選択する。 複数ラウンド選択において、類似したデータ分布を持つクライアントが選択される頻度に類似することを保証する、新しい個性制約を導入する。
  論文  参考訳（メタデータ） (2024-05-22T12:27:24Z)
• FedCAda: Adaptive Client-Side Optimization for Accelerated and Stable Federated Learning [57.38427653043984]
  フェデレートラーニング(FL)は、分散クライアント間の機械学習モデルの協調トレーニングにおいて、顕著なアプローチとして登場した。 我々は,この課題に対処するために設計された,革新的なクライアント適応アルゴリズムであるFedCAdaを紹介する。 我々はFedCAdaが適応性、収束性、安定性、全体的な性能の点で最先端の手法より優れていることを実証する。
  論文  参考訳（メタデータ） (2024-05-20T06:12:33Z)
• 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)
• 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)
• 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。