論文の概要: Topic-Level Bayesian Surprise and Serendipity for Recommender Systems
- arxiv url: http://arxiv.org/abs/2308.06368v1
- Date: Fri, 11 Aug 2023 20:05:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-15 17:54:58.644530
- Title: Topic-Level Bayesian Surprise and Serendipity for Recommender Systems
- Title（参考訳）: 推薦システムにおけるトピックレベルベイズサプライズとセレンディピティー
- Authors: Tonmoy Hasan and Razvan Bunescu
- Abstract要約: 利用者が消費した商品のレーティング履歴に合わせたレコメンデーションを最適化するレコメンデーションシステムは、フィルタバブルを作成することができる。
この望ましくない行動を緩和するための1つのアプローチは、セレンディピティーの可能性が高いアイテムを推薦することである。
本稿では,ベイジアン・サプライズに根ざしたセレンディピティーのコンテンツに基づく定式化を提案し,そのセレンディピティーを利用者が消費・評価した後のセレンディピティーを測定する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: A recommender system that optimizes its recommendations solely to fit a
user's history of ratings for consumed items can create a filter bubble,
wherein the user does not get to experience items from novel, unseen
categories. One approach to mitigate this undesired behavior is to recommend
items with high potential for serendipity, namely surprising items that are
likely to be highly rated. In this paper, we propose a content-based
formulation of serendipity that is rooted in Bayesian surprise and use it to
measure the serendipity of items after they are consumed and rated by the user.
When coupled with a collaborative-filtering component that identifies similar
users, this enables recommending items with high potential for serendipity. To
facilitate the evaluation of topic-level models for surprise and serendipity,
we introduce a dataset of book reading histories extracted from Goodreads,
containing over 26 thousand users and close to 1.3 million books, where we
manually annotate 449 books read by 4 users in terms of their time-dependent,
topic-level surprise. Experimental evaluations show that models that use
Bayesian surprise correlate much better with the manual annotations of
topic-level surprise than distance-based heuristics, and also obtain better
serendipitous item recommendation performance.
- Abstract（参考訳）: 利用者が消費した商品のレーティング履歴に合わせたレコメンデーションのみを最適化するレコメンデーションシステムは、新規で目に見えないカテゴリーのアイテムを体験できないフィルターバブルを作成することができる。
この望ましくない行動を緩和するための1つのアプローチは、セレンディピティーに高い潜在能力を持つアイテム、すなわち、高い評価を受ける可能性のある驚くべきアイテムを推奨することである。
本稿では,ベイジアン・サプライズに根ざしたセレンディピティーのコンテンツに基づく定式化を提案し,利用者が消費・評価した後のセレンディピティーを測定する。
類似ユーザを特定する協調フィルタリングコンポーネントと組み合わせることで、セレンディピティーの高いアイテムを推奨することができる。
驚きとセレンディピティーのためのトピックレベルのモデルの評価を容易にするために、goodreadsから抽出した書籍読解履歴のデータセットを紹介し、ユーザ数2,600万冊、書籍数1,300万冊を対象とし、時間に依存したトピックレベルのサプライズの観点から449冊の書籍を手作業で注釈する。
実験評価により,ベイズ・サプライズを用いたモデルは,距離に基づくヒューリスティックよりも話題レベルのサプライズに対するマニュアルアノテーションにかなりよく相関し,セレンディピティーアイテムのレコメンデーション性能も向上した。
関連論文リスト
- Cold-start Recommendation by Personalized Embedding Region Elicitation [14.78070264373809]
既存のelicitationメソッドは、ユーザの好みを学習するために、固定されたアイテムセットを使用する。
本稿では、この課題を2段階のパーソナライズド・エイコレーション・スキームを用いて解決する。
提案手法では,各サブプロブレムを効率よく実装可能であることを示す。
論文 参考訳（メタデータ） (2024-06-03T04:03:24Z) - How to Surprisingly Consider Recommendations? A Knowledge-Graph-based Approach Relying on Complex Network Metrics [0.2537383030441368]
本稿では,項目カタログ上のユーザインタラクションを符号化することで,知識グラフに基づくレコメンデーションシステムを提案する。
本研究は,ネットワークレベルのKG測定値が推薦のサプライズ度に影響を及ぼすかどうかを考察する。
我々は、LastFMリスニング履歴と合成Netflix視聴プロファイルの2つのデータセットに対するアプローチを実験的に評価した。
論文 参考訳（メタデータ） (2024-05-14T09:38:44Z) - Text Matching Improves Sequential Recommendation by Reducing Popularity
Biases [48.272381505993366]
TASTEは、アイテムの識別子と属性を使用して、アイテムとユーザとイテムのインタラクションを言語化する。
実験の結果,TASTEはシーケンシャルレコメンデーションデータセットにおいて最先端の手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2023-08-27T07:44:33Z) - Improving Recommendation System Serendipity Through Lexicase Selection [53.57498970940369]
本稿では,レコメンデーションシステムにおけるエコーチャンバーとホモフィリーの存在を測定するための新しいセレンディピティー指標を提案する。
そこで我々は,レキシケース選択と呼ばれる親選択アルゴリズムを採用することにより,よく知られたレコメンデーション手法の多様性保存性の向上を試みる。
以上の結果から,レキシケースの選択とランキングの混合は,パーソナライゼーション,カバレッジ,セレンディピティー・ベンチマークにおいて,純粋にランク付けされている。
論文 参考訳（メタデータ） (2023-05-18T15:37:38Z) - Batch versus Sequential Active Learning for Recommender Systems [3.7796614675664397]
シーケンシャルモードは、高密度データセットに対して最も正確なレコメンデーションを生成する。
ほとんどのアクティブな学習者にとって、最良の予測器はシーケンシャルモードと組み合わせてFunkSVDであることが判明した。
論文 参考訳（メタデータ） (2022-01-19T12:50:36Z) - Correcting the User Feedback-Loop Bias for Recommendation Systems [34.44834423714441]
本稿では,レコメンデーションシステムにおいて,ユーザのフィードバックループバイアスを修正するための系統的かつ動的手法を提案する。
本手法は,各ユーザの動的評価履歴の埋め込みを学習するためのディープラーニングコンポーネントを含む。
実世界のレコメンデーションシステムにおけるユーザフィードバックループバイアスの存在を実証的に検証した。
論文 参考訳（メタデータ） (2021-09-13T15:02:55Z) - 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) - Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback
based Recommendation [59.183016033308014]
本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。
提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
論文 参考訳（メタデータ） (2021-05-16T08:06:22Z) - Regret in Online Recommendation Systems [73.58127515175127]
本稿では,オンライン環境におけるレコメンデーションシステムの理論的分析について提案する。
各ラウンドにおいて、ユーザがランダムに$m$ユーザから選択され、レコメンデーションが要求される。決定者は、ユーザを観察し、$n$アイテムのカタログからアイテムを選択する。
推奨アルゴリズムのパフォーマンスは、これらの可能性を認識したOracleアルゴリズムを参照して、その後悔を通じて取得される。
論文 参考訳（メタデータ） (2020-10-23T12:48:35Z) - Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。
我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。
私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
論文 参考訳（メタデータ） (2020-05-19T10:18:43Z)
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。