論文の概要: Embedding in Recommender Systems: A Survey

• arxiv url: http://arxiv.org/abs/2310.18608v2
• Date: Thu, 21 Dec 2023 09:11:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-22 18:12:18.311466
• Title: Embedding in Recommender Systems: A Survey
• Title（参考訳）: Recommender システムへの埋め込み: 調査
• Authors: Xiangyu Zhao, Maolin Wang, Xinjian Zhao, Jiansheng Li, Shucheng Zhou, Dawei Yin, Qing Li, Jiliang Tang, Ruocheng Guo
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 67.67966158305603
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommender systems have become an essential component of many online platforms, providing personalized recommendations to users. A crucial aspect is embedding techniques that coverts the high-dimensional discrete features, such as user and item IDs, into low-dimensional continuous vectors and can enhance the recommendation performance. Applying embedding techniques captures complex entity relationships and has spurred substantial research. In this survey, we provide an overview of the recent literature on embedding techniques in recommender systems. This survey covers embedding methods like collaborative filtering, self-supervised learning, and graph-based techniques. Collaborative filtering generates embeddings capturing user-item preferences, excelling in sparse data. Self-supervised methods leverage contrastive or generative learning for various tasks. Graph-based techniques like node2vec exploit complex relationships in network-rich environments. Addressing the scalability challenges inherent to embedding methods, our survey delves into innovative directions within the field of recommendation systems. These directions aim to enhance performance and reduce computational complexity, paving the way for improved recommender systems. Among these innovative approaches, we will introduce Auto Machine Learning (AutoML), hash techniques, and quantization techniques in this survey. We discuss various architectures and techniques and highlight the challenges and future directions in these aspects. This survey aims to provide a comprehensive overview of the state-of-the-art in this rapidly evolving field and serve as a useful resource for researchers and practitioners working in the area of recommender systems.
• Abstract（参考訳）: レコメンダシステムは、多くのオンラインプラットフォームで不可欠なコンポーネントとなり、ユーザにパーソナライズされたレコメンデーションを提供している。 重要な側面は、ユーザやアイテムIDのような高次元の離散的な特徴を低次元の連続ベクトルに隠蔽し、レコメンデーション性能を高める技術である。 埋め込み技術の適用は複雑なエンティティ関係を捉え、実質的な研究を促している。 本稿では,レコメンダシステムにおける埋め込み技術に関する最近の文献の概要について述べる。 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。 協調フィルタリングは、ユーザの好みを捉え、スパースデータに優れた埋め込みを生成する。 自己管理手法は、様々なタスクにコントラスト学習または生成学習を利用する。 node2vecのようなグラフベースのテクニックは、ネットワークリッチな環境で複雑な関係を利用する。 メソッドの埋め込みに固有のスケーラビリティの課題に対処するため、調査はレコメンデーションシステムの分野で革新的な方向に向かいます。 これらの方向は性能の向上と計算複雑性の低減を目標とし、レコメンダシステムの改善への道を開く。 これらの革新的なアプローチの中で、このサーベイでAuto Machine Learning(AutoML)、ハッシュ技術、量子化技術を紹介する。 我々は,様々なアーキテクチャと技術について議論し,これらの側面における課題と今後の方向性を強調する。 本調査は,この急速に発展する分野における最先端技術の概要を包括的に把握し,レコメンデーションシステム分野で働く研究者や実践者にとって有用な資源となることを目的としている。

関連論文リスト

• Interactive Graph Convolutional Filtering [79.34979767405979]
  インタラクティブ・レコメンダ・システム(IRS)は、パーソナライズされた記事レコメンデーション、ソーシャルメディア、オンライン広告など、さまざまな領域でますます利用されている。 これらの問題は、コールドスタート問題とデータスポーサリティ問題によって悪化する。 既存のMulti-Armed Bandit手法は、慎重に設計された探査戦略にもかかわらず、しばしば初期の段階で満足な結果を提供するのに苦労する。 提案手法は,ユーザとアイテム間の協調フィルタリング性能を向上させるため,協調フィルタリングをグラフモデルに拡張する。
  論文  参考訳（メタデータ） (2023-09-04T09:02:31Z)
• Impression-Aware Recommender Systems [57.38537491535016]
  新たなデータソースは、レコメンデーションシステムの品質を改善する新しい機会をもたらす。 研究者はインプレッションを使ってユーザーの好みを洗練させ、推奨システム研究の現在の制限を克服することができる。 本稿ではインプレッションを用いたレコメンデーションシステムに関する体系的な文献レビューを行う。
  論文  参考訳（メタデータ） (2023-08-15T16:16:02Z)
• Guided Depth Map Super-resolution: A Survey [88.54731860957804]
  誘導深度マップ超解像(GDSR)は、高分解能(HR)深度マップを低分解能(LR)観測から2枚のHRカラー画像の助けを借りて再構成することを目的としている。 近年,特に強力な深層学習技術を用いて,斬新で効果的なアプローチが多数提案されている。 この調査は、GDSRの最近の進歩に関する包括的調査を提示する試みである。
  論文  参考訳（メタデータ） (2023-02-19T15:43:54Z)
• Recent Advances in Heterogeneous Relation Learning for Recommendation [5.390295867837705]
  異種関係学習に焦点を当てたレコメンデーションフレームワークの開発について概説する。 このタスクの目的は、不均一な関係データを潜在表現空間にマッピングすることである。 本稿では,行列分解,注意機構,グラフニューラルネットワークなど,各カテゴリの学習手法について論じる。
  論文  参考訳（メタデータ） (2021-10-07T13:32:04Z)
• 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)
• Cluster Based Deep Contextual Reinforcement Learning for top-k Recommendations [2.8207195763355704]
  本稿では,強化学習を伴うクラスタリングのアンサンブルを作成することで,トップkレコメンデーションを生成する手法を提案する。 我々は,DB Scanクラスタリングを導入し,膨大なアイテム空間に対処した。 部分的な更新とバッチ更新によって、モデルはユーザパターンを継続的に学習する。
  論文  参考訳（メタデータ） (2020-11-29T20:24:39Z)
• A Deep Hybrid Model for Recommendation Systems [0.0]
  我々は,ID埋め込みだけでなく,求人情報の特徴や求人システム候補などの補助情報も含む新しいディープニューラルネットワークアーキテクチャを提案する。 ジョブサイトからのデータセットに対する実験結果から,提案手法は,ID埋め込みを用いたディープラーニングモデルよりも推奨結果を改善することが示された。
  論文  参考訳（メタデータ） (2020-09-21T10:41:28Z)
• Recommendation system using a deep learning and graph analysis approach [1.2183405753834562]
  本稿では,行列係数化とグラフ解析に基づく新しい推薦手法を提案する。 さらに,ディープオートエンコーダを利用してユーザやアイテムの潜伏要因を初期化し,ディープ埋め込み手法によってユーザの潜伏要因をユーザ信頼グラフから収集する。
  論文  参考訳（メタデータ） (2020-04-17T08:05:33Z)
• 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。