論文の概要: Embedding in Recommender Systems: A Survey
- arxiv url: http://arxiv.org/abs/2310.18608v3
- Date: Wed, 22 Oct 2025 12:54:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 03:08:01.333798
- 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: Maolin Wang, Xinjian Zhao, Wanyu Wang, Sheng Zhang, Jiansheng Li, Bowen Yu, Binhao Wang, Shucheng Zhou, Dawei Yin, Qing Li, Ruocheng Guo, Xiangyu Zhao,
- Abstract要約: 本調査では,レコメンデータシステム埋め込み技術の進歩を包括的に分析する。
マトリックスベースのシナリオでは、協調フィルタリングはユーザの好みを効果的にモデル化する埋め込みを生成する。
パフォーマンス向上のため,AutoMLやハッシュ技術,量子化手法など,新たなアプローチを導入する。
- 参考スコア（独自算出の注目度）: 54.55152033023537
- 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 convert the high-dimensional discrete features, such as user and item IDs, into low-dimensional continuous vectors, which can enhance the recommendation performance. Embedding techniques have revolutionized the capture of complex entity relationships, generating significant research interest. This survey presents a comprehensive analysis of recent advances in recommender system embedding techniques. We examine centralized embedding approaches across matrix, sequential, and graph structures. In matrix-based scenarios, collaborative filtering generates embeddings that effectively model user-item preferences, particularly in sparse data environments. For sequential data, we explore various approaches including recurrent neural networks and self-supervised methods such as contrastive and generative learning. In graph-structured contexts, we analyze techniques like node2vec that leverage network relationships, along with applicable self-supervised methods. Our survey addresses critical scalability challenges in embedding methods and explores innovative directions in recommender systems. We introduce emerging approaches, including AutoML, hashing techniques, and quantization methods, to enhance performance while reducing computational complexity. Additionally, we examine the promising role of Large Language Models (LLMs) in embedding enhancement. Through detailed discussion of various architectures and methodologies, this survey aims to provide a thorough overview of state-of-the-art embedding techniques in recommender systems, while highlighting key challenges and future research directions.
- 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において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変換し、レコメンデーション性能を高めることである。
埋め込み技術は複雑な実体関係の獲得に革命をもたらした。
本調査は,最近のレコメンデータシステム埋め込み技術の進歩を包括的に分析した。
本稿では,行列,シーケンシャル,グラフ構造にまたがる集中型埋め込み手法について検討する。
マトリックスベースのシナリオでは、特に疎いデータ環境において、協調フィルタリングは、ユーザの好みを効果的にモデル化する埋め込みを生成する。
シーケンシャルなデータには、リカレントニューラルネットワークや、コントラスト学習や生成学習といった自己教師型手法など、さまざまなアプローチを探求する。
グラフ構造化コンテキストにおいて,ネットワーク関係を利用する node2vec などの手法と,適用可能な自己管理手法を解析する。
本調査では,メソッドの埋め込みにおける重要なスケーラビリティの課題に対処し,レコメンダシステムにおける革新的な方向性を探る。
計算複雑性を低減しつつ,パフォーマンスを向上させるために,AutoMLやハッシュ技術,量子化手法など,新たなアプローチを導入する。
さらに,埋め込み強化におけるLarge Language Models (LLMs) の役割について検討した。
本研究は,様々なアーキテクチャや方法論の詳細な議論を通じて,レコメンデータシステムにおける最先端の埋め込み技術の概要と今後の研究の方向性を明らかにすることを目的としている。
関連論文リスト
- Generative Large Recommendation Models: Emerging Trends in LLMs for Recommendation [85.52251362906418]
このチュートリアルでは、大規模言語モデル(LLM)を統合するための2つの主要なアプローチを探求する。
これは、最近の進歩、課題、潜在的研究の方向性を含む、生成的な大規模なレコメンデーションモデルの包括的な概要を提供する。
主なトピックは、データ品質、スケーリング法則、ユーザの行動マイニング、トレーニングと推論の効率性である。
論文 参考訳（メタデータ） (2025-02-19T14:48:25Z) - A Survey on Recommendation Unlearning: Fundamentals, Taxonomy, Evaluation, and Open Questions [16.00188808166725]
推薦システムは、ユーザの行動と意思決定を形作ることに、ますます影響力を増している。
レコメンデータシステムにおける機械学習モデルの普及は、ユーザのプライバシとセキュリティに関する重要な懸念を引き起こしている。
従来の機械学習手法は、協調的な相互作用やモデルパラメータによって引き起こされるユニークな課題のために、アンラーニングを推奨するのに不適である。
論文 参考訳（メタデータ） (2024-12-17T11:58:55Z) - 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。