論文の概要: SBTRec- A Transformer Framework for Personalized Tour Recommendation
Problem with Sentiment Analysis
- arxiv url: http://arxiv.org/abs/2311.11071v1
- Date: Sat, 18 Nov 2023 13:30:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-22 12:28:42.320593
- Title: SBTRec- A Transformer Framework for Personalized Tour Recommendation
Problem with Sentiment Analysis
- Title（参考訳）: sbtrec-感情分析を用いたパーソナライズドツアー推薦問題のためのトランスフォーマーフレームワーク
- Authors: Ngai Lam Ho, Roy Ka-Wei Lee and Kwan Hui Lim
- Abstract要約: SBTRecは、感情分析を備えたBERTベースのTrajectory Recommendationである。
異なるPOIに関するレビューやコメントから、ユーザの好みと満足度レベルを学ぶ。
平均F1スコアは61.45%で、ベースラインアルゴリズムより優れている。
- 参考スコア（独自算出の注目度）: 6.753123338256321
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: When traveling to an unfamiliar city for holidays, tourists often rely on
guidebooks, travel websites, or recommendation systems to plan their daily
itineraries and explore popular points of interest (POIs). However, these
approaches may lack optimization in terms of time feasibility, localities, and
user preferences. In this paper, we propose the SBTRec algorithm: a BERT-based
Trajectory Recommendation with sentiment analysis, for recommending
personalized sequences of POIs as itineraries. The key contributions of this
work include analyzing users' check-ins and uploaded photos to understand the
relationship between POI visits and distance. We introduce SBTRec, which
encompasses sentiment analysis to improve recommendation accuracy by
understanding users' preferences and satisfaction levels from reviews and
comments about different POIs. Our proposed algorithms are evaluated against
other sequence prediction methods using datasets from 8 cities. The results
demonstrate that SBTRec achieves an average F1 score of 61.45%, outperforming
baseline algorithms.
The paper further discusses the flexibility of the SBTRec algorithm, its
ability to adapt to different scenarios and cities without modification, and
its potential for extension by incorporating additional information for more
reliable predictions. Overall, SBTRec provides personalized and relevant POI
recommendations, enhancing tourists' overall trip experiences. Future work
includes fine-tuning personalized embeddings for users, with evaluation of
users' comments on POIs,~to further enhance prediction accuracy.
- Abstract（参考訳）: 観光客は休暇のために馴染みのない都市に旅行するとき、ガイドブック、旅行ウェブサイト、レコメンデーションシステムを使って毎日の旅程を計画し、人気のある関心点(POI)を探る。
しかし、これらのアプローチは、時間実現性、局所性、ユーザの好みに関して最適化を欠いている可能性がある。
本稿では,感情分析を併用した BERT ベースの Trajectory Recommendation を用いた SBTRec アルゴリズムを提案する。
この作業の主な貢献は、ユーザのチェックインを分析し、POI訪問と距離の関係を理解するためにアップロードされた写真である。
SBTRecを導入し、異なるPOIに関するレビューやコメントからユーザの好みや満足度を理解することで、感情分析を取り入れてレコメンデーション精度を向上させる。
提案手法は,8都市のデータセットを用いた他のシーケンス予測手法と比較した。
その結果,SBTRecの平均F1スコアは61.45%であり,ベースラインアルゴリズムよりも優れていた。
さらに、SBTRecアルゴリズムの柔軟性、変更せずに異なるシナリオや都市に適応できる能力、およびより信頼性の高い予測に付加情報を組み込むことで拡張の可能性についても論じる。
全体として、SBTRecはパーソナライズされ、関連するPOIレコメンデーションを提供し、観光客の全体的な旅行体験を強化している。
今後の作業には、ユーザのためのパーソナライズされた埋め込みを微調整し、POIに対するユーザのコメントを評価し、予測精度をさらに高めることが含まれる。
関連論文リスト
- Uncertainty-Penalized Direct Preference Optimization [52.387088396044206]
我々は、優先不確実性ペナル化スキームを導入し、DPOの悲観的な枠組みを開発する。
ペナル化は、不確実なサンプルの損失勾配を減衰させる損失の補正として機能する。
我々は,バニラDPOと比較して全体的な性能が向上し,高い不確実性選択/拒絶反応によるプロンプトの完成度も向上した。
論文 参考訳（メタデータ） (2024-10-26T14:24:37Z) - Bayes-enhanced Multi-view Attention Networks for Robust POI
Recommendation [81.4999547454189]
既存の作業では、ユーザによって報告された利用可能なPOIチェックインが、ユーザ行動の真真正な描写であると仮定している。
実際のアプリケーションシナリオでは、主観的および客観的な原因の両方のため、チェックインデータは信頼性が低い。
本稿では,ユーザチェックインの不確実性に対処するため,ベイズ強化型マルチビュー注意ネットワークを提案する。
論文 参考訳（メタデータ） (2023-11-01T12:47:38Z) - BTRec: BERT-Based Trajectory Recommendation for Personalized Tours [6.753123338256321]
多くのツアーレコメンデーションツールは、人気のPoints of Interest(POI)やルーティング制約など、限られた要素しか考慮していない。
本稿では,提案する反復アルゴリズムであるBTREC (BERT-based Trajectory Recommendation)を提案する。
我々の推薦システムは、訪問したPOIを最大化する旅行イテナリーを作成するとともに、POIのカテゴリと時間可用性のユーザの好みを考慮した旅行イテナリーを作成することができる。
論文 参考訳（メタデータ） (2023-10-30T18:00:26Z) - POIBERT: A Transformer-based Model for the Tour Recommendation Problem [0.3121997724420106]
本稿では,POI 上での BERT 言語モデルを用いて,パーソナライズされたイテレーションを推薦するアルゴリズムである POIBERT を提案する。
提案手法では, 類似観光地からの過去のトラジェクトリに基づいて, POIカテゴリの時間とユーザの嗜好を最適化するPOIのシーケンスを生成することができる。
論文 参考訳（メタデータ） (2022-12-16T12:32:15Z) - Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。
自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。
特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
論文 参考訳（メタデータ） (2022-10-22T17:29:34Z) - How do you go where? Improving next location prediction by learning
travel mode information using transformers [6.003006906852134]
本稿では, トランスフォーマーデコーダに基づくニューラルネットワークを提案し, 過去の位置, 時間, 移動モードに基づいて, 個人が訪問する次の場所を予測する。
特に、次の旅行モードの予測は、ネットワークの学習をガイドする補助的なタスクとして設計されている。
実験の結果,提案手法は,他の最先端の次の位置予測手法よりも大幅に優れていることがわかった。
論文 参考訳（メタデータ） (2022-10-08T19:36:58Z) - Meta-Wrapper: Differentiable Wrapping Operator for User Interest
Selection in CTR Prediction [97.99938802797377]
クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。
近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。
そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2022-06-28T03:28:15Z) - Recommending POIs for Tourists by User Behavior Modeling and
Pseudo-Rating [3.839157829013354]
観光客の多くは一度に数カ所の観光地を訪れており、これらのほとんどは新規観光客からのチェックインデータを持っていない。
従来のシステムでは、利用者の嗜好と人気、評判、カテゴリーに基づく類似性に基づいて観光スポットをランク付けしている。
観光客にPOIを推奨するメカニズムを提案する。
論文 参考訳（メタデータ） (2021-10-13T06:21:41Z) - Control Variates for Slate Off-Policy Evaluation [112.35528337130118]
多次元動作を伴うバッチ化されたコンテキスト帯域データから政治外評価の問題について検討する。
我々は, PIと自己正規化PIの双方に対して, リスク改善を保証した新しい推定器を得る。
論文 参考訳（メタデータ） (2021-06-15T06:59:53Z) - User Preferential Tour Recommendation Based on POI-Embedding Methods [0.624399544884021]
POI埋め込み手法を用いてパーソナライズツアーを推薦するアルゴリズムを提案する。
提案アルゴリズムは時間と位置の制約を最適化するpoisのシーケンスを生成する。
予備実験の結果,本アルゴリズムは適切で正確な文を推薦できることがわかった。
論文 参考訳（メタデータ） (2021-03-03T15:18:23Z) - Optimistic Policy Optimization with Bandit Feedback [70.75568142146493]
我々は,事前の報奨を後悔する$tilde O(sqrtS2 A H4 K)を定め,楽観的な信頼領域ポリシー最適化(TRPO)アルゴリズムを提案する。
我々の知る限り、この2つの結果は、未知の遷移と帯域幅フィードバックを持つポリシー最適化アルゴリズムにおいて得られた最初のサブ線形後悔境界である。
論文 参考訳（メタデータ） (2020-02-19T15:41:18Z)
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。