論文の概要: Incorporating Recklessness to Collaborative Filtering based Recommender Systems

• arxiv url: http://arxiv.org/abs/2308.02058v1
• Date: Thu, 3 Aug 2023 21:34:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-07 14:33:21.444506
• Title: Incorporating Recklessness to Collaborative Filtering based Recommender Systems
• Title（参考訳）: 協調フィルタリングに基づくレコメンダシステムへの無謀性の導入
• Authors: Diego P\'erez-L\'opez, Fernando Ortega, \'Angel Gonz\'alez-Prieto, Jorge Due\~nas-Ler\'in
• Abstract要約: 本稿では,行列因数分解に基づくレコメンデータシステムの学習過程における「無謀性」という新しい用語の導入を提案する。 実験結果から、無謀性はリスクレギュレーションだけでなく、予測の量や品質も改善することが示された。
• 参考スコア（独自算出の注目度）: 63.732639864601914
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender systems that include some reliability measure of their predictions tend to be more conservative in forecasting, due to their constraint to preserve reliability. This leads to a significant drop in the coverage and novelty that these systems can provide. In this paper, we propose the inclusion of a new term in the learning process of matrix factorization-based recommender systems, called recklessness, which enables the control of the risk level desired when making decisions about the reliability of a prediction. Experimental results demonstrate that recklessness not only allows for risk regulation but also improves the quantity and quality of predictions provided by the recommender system.
• Abstract（参考訳）: 予測の信頼性測定を含むレコメンダシステムは、信頼性を維持するための制約のため、予測においてより保守的である傾向にある。 これにより、これらのシステムが提供できるカバレッジとノベルティが大幅に低下する。 本稿では,行列因数分解に基づくリコメンデータシステムの学習プロセスにおいて,予測の信頼性に関する決定を行う際のリスクレベルの制御を可能にする「無謀性」という新たな用語を取り入れることを提案する。 実験の結果,無謀性はリスクレギュレーションだけでなく,レコメンダシステムが提供する予測量や品質も向上することが示された。

関連論文リスト

• Calibrated Probabilistic Forecasts for Arbitrary Sequences [58.54729945445505]
  実際のデータストリームは、分散シフトやフィードバックループ、敵アクターによって予測不可能に変化する可能性がある。 データがどのように進化するかに関わらず、有効な不確実性推定を保証するための予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-27T21:46:42Z)
• Measuring Recency Bias In Sequential Recommendation Systems [4.797371814812293]
  シーケンシャルレコメンデーションシステムにおける頻度バイアス(Recency bias)とは、ユーザセッション内の最近の項目に過度に重きを置くことを指す。 このバイアスは、レコメンデーションのセレンディピティーを低下させ、システムの長期的関心を捉える能力を妨げます。 本論文は,リレーレンシバイアスの定量化に特化して設計された,単純かつ効果的な新しい計量法を提案する。
  論文  参考訳（メタデータ） (2024-09-15T13:02:50Z)
• Probabilistic load forecasting with Reservoir Computing [10.214379018902914]
  本研究は,コア時系列予測手法としての貯水池計算に焦点を当てた。 RC文献は主に点予測に重点を置いているが、この研究は一般的な不確実性定量法と貯水池の設定との整合性を探究するものである。
  論文  参考訳（メタデータ） (2023-08-24T15:07:08Z)
• Uncertainty Calibration for Counterfactual Propensity Estimation in Recommendation [22.67361489565711]
  inverse propensity score (IPS) は、観測された各インスタンスの予測誤差を重み付けするために用いられる。 IPSベースのレコメンデーションは、確率推定における誤校正によって妨げられる。 本稿では,CVR予測の妥当性に基づくデバイアス化のためのモデルに依存しないキャリブレーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-23T00:42:48Z)
• Restricted Bernoulli Matrix Factorization: Balancing the trade-off between prediction accuracy and coverage in classification based collaborative filtering [45.335821132209766]
  本稿では,Restricted Bernoulli Matrix Factorization (ResBeMF) を提案する。 提案モデルでは,他のレコメンデーションモデルと比較して,品質指標のバランスが良好である。
  論文  参考訳（メタデータ） (2022-10-05T13:48:19Z)
• Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
  我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。 本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。 我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
  論文  参考訳（メタデータ） (2022-07-04T17:49:25Z)
• Quantifying Availability and Discovery in Recommender Systems via Stochastic Reachability [27.21058243752746]
  そこで本稿では,ユーザへのコンテンツ推薦の最大確率を定量化するために,到達性に基づく評価手法を提案する。 リーチビリティは、コンテンツの可用性のバイアスを検出し、ユーザに与えられる発見の機会の制限を診断するために使用することができる。 明示的および暗黙的な評価の大規模なデータセットに基づいてトレーニングされた推薦アルゴリズムの評価を示す。
  論文  参考訳（メタデータ） (2021-06-30T16:18:12Z)
• Confidence-Budget Matching for Sequential Budgeted Learning [69.77435313099366]
  問合せ予算で意思決定問題を定式化する。 我々は,多腕バンディット,線形バンディット,強化学習問題を考察する。 我々は,CBMに基づくアルゴリズムが逆性の存在下で良好に動作することを示す。
  論文  参考訳（メタデータ） (2021-02-05T19:56:31Z)
• Right Decisions from Wrong Predictions: A Mechanism Design Alternative to Individual Calibration [107.15813002403905]
  意思決定者は、しばしば不完全な確率予測に頼る必要がある。 本稿では,予測ユーティリティが実際に取得したユーティリティと一致することを保証する補償機構を提案する。 本研究では、乗客が飛行遅延確率に基づいて、個々の旅行計画をどのように確実に最適化できるかを示すアプリケーションを示す。
  論文  参考訳（メタデータ） (2020-11-15T08:22:39Z)

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。