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
- Mirror Gradient: Towards Robust Multimodal Recommender Systems via
Exploring Flat Local Minima [54.06000767038741]
フラットローカルミニマの新しい視点からマルチモーダルリコメンデータシステムの解析を行う。
我々はミラーグラディエント(MG)と呼ばれる簡潔で効果的な勾配戦略を提案する。
提案したMGは、既存の堅牢なトレーニング手法を補完し、多様な高度なレコメンデーションモデルに容易に拡張できることが判明した。
論文 参考訳(メタデータ) (2024-02-17T12:27:30Z) - Embedding in Recommender Systems: A Survey [67.67966158305603]
重要な側面は、ユーザやアイテムIDといった高次元の離散的な特徴を低次元連続ベクトルに包含する技法である。
埋め込み技術の適用は複雑なエンティティ関係を捉え、かなりの研究を刺激している。
この調査では、協調フィルタリング、自己教師付き学習、グラフベースのテクニックなどの埋め込み手法を取り上げている。
論文 参考訳(メタデータ) (2023-10-28T06:31:06Z) - Is Meta-Learning the Right Approach for the Cold-Start Problem in
Recommender Systems? [5.804718528857615]
メタラーニング技術を用いることなく、コールドスタート問題に対してよく使われるベンチマークにおいて、類似またはそれ以上の性能が得られることを示す。
さらに、共通表現学習技術を用いた極めて単純なモジュラーアプローチは、コールドスタート設定に特化して設計されたメタラーニング技術と相容れないことが示される。
論文 参考訳(メタデータ) (2023-08-16T13:24:47Z) - Recommender Systems in the Era of Large Language Models (LLMs) [36.87760144204833]
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) - 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) - INTERN: A New Learning Paradigm Towards General Vision [117.3343347061931]
我々はInterNという新しい学習パラダイムを開発した。
複数の段階の複数のソースからの監視信号を用いて学習することにより、トレーニング対象のモデルは強力な一般化性を生み出す。
ほとんどの場合、ターゲットドメインのトレーニングデータの10%しか適応していないモデルが、完全なデータセットでトレーニングされたトレーニングデータよりも優れています。
論文 参考訳(メタデータ) (2021-11-16T18:42:50Z) - 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) - The use of Recommender Systems in web technology and an in-depth
analysis of Cold State problem [0.0]
レコメンデーターシステムは、ユーザーにとって好ましくないアイテムを優先順位付けするためのパーソナライズされたビューを提供する。
彼らは長年にわたり、機械学習やデータマイニングを含む人工知能技術で発展してきた。
本稿では,このようなコールドスタート問題に,いくつかの手法と課題で対処することを目的とする。
論文 参考訳(メタデータ) (2020-09-10T11:32:59Z) - A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
我々は知識グラフに基づく推薦システムの体系的な調査を行う。
論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。
これらの作業で使用されるデータセットを紹介します。
論文 参考訳(メタデータ) (2020-02-28T02:26:30Z)
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。