論文の概要: Network-Based Video Recommendation Using Viewing Patterns and Modularity Analysis: An Integrated Framework

• arxiv url: http://arxiv.org/abs/2308.12743v3
• Date: Wed, 08 Jan 2025 07:00:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-09 14:52:40.475295
• Title: Network-Based Video Recommendation Using Viewing Patterns and Modularity Analysis: An Integrated Framework
• Title（参考訳）: ビューイングパターンとモジュラリティ分析を用いたネットワークベースのビデオレコメンデーション:統合フレームワーク
• Authors: Mehrdad Maghsoudi, Mohammad Hossein valikhani, Mohammad Hossein Zohdi,
• Abstract要約: 本研究では、VODプラットフォームにおけるパーソナライゼーションを高めるために、視聴率などの暗黙のユーザデータとソーシャルネットワーク分析を組み合わせることによって、新しいアプローチを導入する。 このシステムはドキュメンタリー中心のVODプラットフォームで評価され、4ヶ月で328人のユーザーを獲得した。 その結果,クリックスルー率(CTR)が63%,ビューコンプリート率が24%,ユーザ満足度が17%向上した。
• 参考スコア（独自算出の注目度）: 1.2289361708127877
• License:
• Abstract: The proliferation of video-on-demand (VOD) services has led to a paradox of choice, overwhelming users with vast content libraries and revealing limitations in current recommender systems. This research introduces a novel approach by combining implicit user data, such as viewing percentages, with social network analysis to enhance personalization in VOD platforms. The methodology constructs user-item interaction graphs based on viewing patterns and applies centrality measures (degree, closeness, and betweenness) to identify important videos. Modularity-based clustering groups related content, enabling personalized recommendations. The system was evaluated on a documentary-focused VOD platform with 328 users over four months. Results showed significant improvements: a 63% increase in click-through rate (CTR), a 24% increase in view completion rate, and a 17% improvement in user satisfaction. The approach outperformed traditional methods like Naive Bayes and SVM. Future research should explore advanced techniques, such as matrix factorization models, graph neural networks, and hybrid approaches combining content-based and collaborative filtering. Additionally, incorporating temporal models and addressing scalability challenges for large-scale platforms are essential next steps. This study contributes to the state of the art by introducing modularity-based clustering and ego-centric ranking methods to enhance personalization in video recommendations. The findings suggest that integrating network-based features and implicit feedback can significantly improve user engagement, offering a cost-effective solution for VOD platforms to enhance recommendation quality.
• Abstract（参考訳）: ビデオオンデマンド(VOD)サービスの急増は、選択肢のパラドックス、巨大なコンテンツライブラリを持つ圧倒的なユーザ、そして現在のレコメンデーションシステムにおける制限を明らかにしている。 本研究では、VODプラットフォームにおけるパーソナライゼーションを高めるために、視聴率などの暗黙のユーザデータとソーシャルネットワーク分析を組み合わせることによって、新しいアプローチを導入する。 この手法は、視聴パターンに基づいてユーザとイテムの相互作用グラフを構築し、重要なビデオを特定するために集中度測定(度数、近接度、相互性)を適用する。 モジュール性ベースのクラスタリンググループ関連コンテンツにより、パーソナライズされたレコメンデーションが可能になる。 このシステムはドキュメンタリー中心のVODプラットフォームで評価され、4ヶ月で328人のユーザーを獲得した。 その結果,クリックスルー率(CTR)が63%,ビューコンプリート率が24%,ユーザ満足度が17%向上した。 このアプローチは、Naive BayesやSVMといった従来の手法よりも優れています。 今後は、行列因数分解モデル、グラフニューラルネットワーク、コンテンツベースと協調フィルタリングを組み合わせたハイブリッドアプローチなど、高度な技術を検討する必要がある。 さらに、テンポラリモデルの導入と、大規模プラットフォームにおけるスケーラビリティの課題への対処が、次のステップとして不可欠です。 本研究は,ビデオレコメンデーションにおけるパーソナライズを高めるために,モジュール性に基づくクラスタリングとエゴ中心のランキング手法を導入することによって,最先端技術に寄与する。 この結果は、ネットワークベースの機能と暗黙のフィードバックを統合することで、ユーザのエンゲージメントを大幅に改善し、VODプラットフォームが推奨品質を高めるためのコスト効率の高いソリューションを提供することを示唆している。

関連論文リスト

• A Large Language Model Enhanced Sequential Recommender for Joint Video and Comment Recommendation [77.42486522565295]
  我々は、パーソナライズされたビデオとコメントのレコメンデーションを共同で行うLSVCRと呼ばれる新しいレコメンデーション手法を提案する。 提案手法は,逐次レコメンデーション(SR)モデルと補足型大規模言語モデル(LLM)レコメンデーションという2つの重要なコンポーネントから構成される。 特に、コメント視聴時間の4.13%が大幅に向上した。
  論文  参考訳（メタデータ） (2024-03-20T13:14:29Z)
• Conditional Modeling Based Automatic Video Summarization [70.96973928590958]
  ビデオ要約の目的は、全体を伝えるのに必要な重要な情報を保持しながら、自動的にビデオを短縮することである。 映像要約法は視覚的連続性や多様性などの視覚的要因に依存しており、ビデオの内容を完全に理解するには不十分である。 映像要約への新たなアプローチは、人間が地上の真実のビデオ要約を作成する方法から得られる知見に基づいて提案されている。
  論文  参考訳（メタデータ） (2023-11-20T20:24:45Z)
• Neural Graph Collaborative Filtering Using Variational Inference [19.80976833118502]
  本稿では,変分グラフオートエンコーダを用いて学習した表現を組み込む新しいフレームワークとして,変分埋め込み協調フィルタリング(GVECF)を導入する。 提案手法は,テストデータに対するリコールを最大13.78%改善する。
  論文  参考訳（メタデータ） (2023-11-20T15:01:33Z)
• EvalCrafter: Benchmarking and Evaluating Large Video Generation Models [70.19437817951673]
  これらのモデルはしばしば、マルチアスペクト能力を持つ非常に大きなデータセットで訓練されているので、単純な指標から大きな条件生成モデルを判断することは困難である、と我々は主張する。 我々のアプローチは、テキスト・ツー・ビデオ生成のための700のプロンプトの多種多様な包括的リストを作成することである。 そこで我々は、視覚的品質、コンテンツ品質、動作品質、テキスト・ビデオアライメントの観点から、慎重に設計されたベンチマークに基づいて、最先端のビデオ生成モデルを評価する。
  論文  参考訳（メタデータ） (2023-10-17T17:50:46Z)
• ClusterSeq: Enhancing Sequential Recommender Systems with Clustering based Meta-Learning [3.168790535780547]
  ClusterSeqはメタラーニングクラスタリングに基づくシーケンスレコメンダシステムである。 ユーザシーケンスの動的情報を利用して、サイド情報がない場合でもアイテム予測精度を高める。 提案手法は平均相反ランク(MRR)において16～39%の大幅な改善を実現する。
  論文  参考訳（メタデータ） (2023-07-25T18:53:24Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• Hypergraph Contrastive Collaborative Filtering [44.8586906335262]
  新たな自己監督型推薦フレームワークHypergraph Contrastive Collaborative Filtering (HCCF)を提案する。 HCCFは、ハイパーグラフを拡張したクロスビューコントラスト学習アーキテクチャと、ローカルおよびグローバルなコラボレーティブな関係をキャプチャする。 提案モデルでは,ハイパーグラフ構造と自己教師付き学習を効果的に統合し,レコメンダシステムの表現品質を向上する。
  論文  参考訳（メタデータ） (2022-04-26T10:06:04Z)
• Modeling High-order Interactions across Multi-interests for Micro-video Reommendation [65.16624625748068]
  利用者の興味表現を高めるためのセルフオーバーCoアテンションモジュールを提案します。 特に、まず相関パターンを異なるレベルでモデル化し、次に自己注意を使って特定のレベルで相関パターンをモデル化します。
  論文  参考訳（メタデータ） (2021-04-01T07:20:15Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• SalSum: Saliency-based Video Summarization using Generative Adversarial Networks [6.45481313278967]
  本稿では,人間の眼球運動を訓練したGANモデルに基づく新しいVSアプローチを提案する。 提案手法は,ベンチマークデータセットVSUMMにおける最先端のVSアプローチと比較して評価する。
  論文  参考訳（メタデータ） (2020-11-20T14:53:08Z)
• Learning User Representations with Hypercuboids for Recommender Systems [26.80987554753327]
  我々のモデルは、空間内の一点ではなく、超立方体としてユーザーの興味を明示的にモデル化する。 ユーザの興味の多様性を捉える能力を高めるために,2種類のハイパークボイドを提案する。 また、ユーザのアクティビティシーケンス(例えば、購入とレート)をキャプチャすることで、ユーザの超立方体学習を促進するために、ニューラルアーキテクチャも提案されている。
  論文  参考訳（メタデータ） (2020-11-11T12:50:00Z)

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。