論文の概要: Ten Challenges in Industrial Recommender Systems
- arxiv url: http://arxiv.org/abs/2310.04804v1
- Date: Sat, 7 Oct 2023 13:45:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 15:27:48.420256
- Title: Ten Challenges in Industrial Recommender Systems
- Title（参考訳）: 産業推薦システムにおける10の課題
- Authors: Zhenhua Dong, Jieming Zhu, Weiwen Liu, Ruiming Tang
- Abstract要約: Huawei NoahのArk Labは、2013年以来多くの製品がレコメンデーションシステムや検索エンジンを構築してきた。
ビッグデータとさまざまなシナリオによって、高度なレコメンデーション技術を開発する大きな機会が得られます。
RecSysコミュニティがインスピレーションを得て、より良いレコメンデーションシステムを作ることができることを願っています。
- 参考スコア（独自算出の注目度）: 52.16127544350884
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Huawei's vision and mission is to build a fully connected intelligent world.
Since 2013, Huawei Noah's Ark Lab has helped many products build recommender
systems and search engines for getting the right information to the right
users. Every day, our recommender systems serve hundreds of millions of mobile
phone users and recommend different kinds of content and services such as apps,
news feeds, songs, videos, books, themes, and instant services. The big data
and various scenarios provide us with great opportunities to develop advanced
recommendation technologies. Furthermore, we have witnessed the technical trend
of recommendation models in the past ten years, from the shallow and simple
models like collaborative filtering, linear models, low rank models to deep and
complex models like neural networks, pre-trained language models. Based on the
mission, opportunities and technological trends, we have also met several hard
problems in our recommender systems. In this talk, we will share ten important
and interesting challenges and hope that the RecSys community can get inspired
and create better recommender systems.
- Abstract（参考訳）: Huaweiのビジョンとミッションは、完全に接続されたインテリジェントな世界を構築することです。
2013年以降、Huawei NoahのArk Labは、多くの製品が適切な情報を適切なユーザーに提供するためのレコメンデーターシステムや検索エンジンを構築してきた。
毎日、私たちのリコメンダシステムは何十億もの携帯電話ユーザーにサービスを提供し、アプリ、ニュースフィード、曲、ビデオ、本、テーマ、インスタントサービスといったさまざまな種類のコンテンツやサービスを推奨しています。
ビッグデータとさまざまなシナリオは、高度なレコメンデーション技術を開発する素晴らしい機会を提供します。
さらに,過去10年間,協調フィルタリングや線形モデル,低ランクモデル,ニューラルネットワークなどの深層モデル,事前学習された言語モデルといった,浅くシンプルなモデルから,レコメンデーションモデルの技術的トレンドを目撃してきた。
ミッション、機会、技術動向に基づいて、推奨システムではいくつかの困難な問題に直面しています。
この講演では、重要な10の課題と興味深い課題を共有し、RecSysコミュニティにインスピレーションを得て、より良いレコメンデーションシステムを作ることを期待します。
関連論文リスト
- All Roads Lead to Rome: Unveiling the Trajectory of Recommender Systems Across the LLM Era [63.649070507815715]
我々は、リコメンデータシステムをより広い視野に統合し、将来の研究のためのより包括的なソリューションの道を開くことを目指しています。
我々は、リストワイズレコメンデーションと会話レコメンデーションを通じて、現代のレコメンデーションシステムの2つの進化経路を特定する。
本稿では,ユーザの獲得コストを削減しつつ,推薦情報の有効性を高めることを指摘する。
論文 参考訳（メタデータ） (2024-07-14T05:02:21Z) - Multimodal Pretraining and Generation for Recommendation: A Tutorial [54.07497722719509]
チュートリアルは、マルチモーダル事前学習、マルチモーダル生成、産業アプリケーションという3つの部分で構成されている。
マルチモーダル・レコメンデーションの迅速な理解を促進することを目的としており、この進化する景観の今後の発展について有意義な議論を促進することを目的としている。
論文 参考訳（メタデータ） (2024-05-11T06:15:22Z) - Recommender Systems in the Era of Large Language Models (LLMs) [62.0129013439038]
大規模言語モデル(LLM)は自然言語処理(NLP)と人工知能(AI)の分野に革命をもたらした。
我々は, プレトレーニング, ファインチューニング, プロンプティングなどの様々な側面から, LLM を利用したレコメンデータシステムの総合的なレビューを行う。
論文 参考訳（メタデータ） (2023-07-05T06:03:40Z) - Multimodal Recommender Systems: A Survey [50.23505070348051]
マルチモーダル・レコメンダ・システム(MRS)は近年,学界と産業の両方から注目を集めている。
本稿では,主に技術的観点から,MSSモデルに関する総合的な調査を行う。
実装コードなど、調査された論文の詳細にアクセスするために、リポジトリをオープンソース化します。
論文 参考訳（メタデータ） (2023-02-08T05:12:54Z) - Deep Multi-View Learning for Tire Recommendation [0.0]
本稿では,産業データに適用されたいくつかの最先端マルチビューモデルの比較研究を提案する。
本研究は,レコメンデーションシステムにおける多視点学習の有効性を実証するものである。
論文 参考訳（メタデータ） (2022-03-23T14:43:14Z) - MultiHead MultiModal Deep Interest Recommendation Network [0.0]
本稿ではDINciteAuthors01モデルにマルチヘッドおよびマルチモーダルモジュールを追加する。
実験により、マルチヘッドマルチモーダルDINは推奨予測効果を向上し、様々な包括的指標において最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-10-19T18:59:02Z) - A Survey on Neural Recommendation: From Collaborative Filtering to
Content and Context Enriched Recommendation [70.69134448863483]
レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。
近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
論文 参考訳（メタデータ） (2021-04-27T08:03:52Z)
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。