論文の概要: Data Scarcity in Recommendation Systems: A Survey

• arxiv url: http://arxiv.org/abs/2312.10073v1
• Date: Fri, 8 Dec 2023 01:45:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 13:48:00.928526
• Title: Data Scarcity in Recommendation Systems: A Survey
• Title（参考訳）: 推薦システムにおけるデータスカシティ:調査
• Authors: Zefeng Chen, Wensheng Gan, Jiayang Wu, Kaixia Hu, Hong Lin
• Abstract要約: オンラインコンテンツの普及はレコメンデーションシステム(RS)の普及に繋がった。 その重要性にもかかわらず、データの不足は既存のRSモデルの有効性を著しく損なう。 本稿では、RSにおけるデータ不足の影響に対処し、この課題を緩和するための様々な戦略を導入することにより、この議論に貢献する。
• 参考スコア（独自算出の注目度）: 3.754235973823877
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The prevalence of online content has led to the widespread adoption of recommendation systems (RSs), which serve diverse purposes such as news, advertisements, and e-commerce recommendations. Despite their significance, data scarcity issues have significantly impaired the effectiveness of existing RS models and hindered their progress. To address this challenge, the concept of knowledge transfer, particularly from external sources like pre-trained language models, emerges as a potential solution to alleviate data scarcity and enhance RS development. However, the practice of knowledge transfer in RSs is intricate. Transferring knowledge between domains introduces data disparities, and the application of knowledge transfer in complex RS scenarios can yield negative consequences if not carefully designed. Therefore, this article contributes to this discourse by addressing the implications of data scarcity on RSs and introducing various strategies, such as data augmentation, self-supervised learning, transfer learning, broad learning, and knowledge graph utilization, to mitigate this challenge. Furthermore, it delves into the challenges and future direction within the RS domain, offering insights that are poised to facilitate the development and implementation of robust RSs, particularly when confronted with data scarcity. We aim to provide valuable guidance and inspiration for researchers and practitioners, ultimately driving advancements in the field of RS.
• Abstract（参考訳）: オンラインコンテンツの普及により、ニュース、広告、電子商取引のレコメンデーションなど様々な目的のレコメンデーションシステム(rss)が広く採用されている。 その重要性にもかかわらず、データ不足問題は既存のrsモデルの有効性を著しく損なっており、その進歩を妨げている。 この課題に対処するため、特に事前訓練された言語モデルのような外部ソースからの知識伝達の概念は、データの不足を緩和し、RS開発を強化する潜在的な解決策として現れる。 しかし、RSにおける知識伝達の実践は複雑である。 ドメイン間の知識伝達はデータ格差を導入し、複雑なRSシナリオにおける知識伝達の適用は、慎重に設計しなければ負の結果をもたらす可能性がある。 そこで本稿は,rssにおけるデータ不足の影響に対処し,データ拡張,自己教師付き学習,転送学習,広義学習,知識グラフ活用といった様々な戦略を導入することで,この課題を緩和する。 さらに、rsドメイン内の課題と今後の方向性に目を向け、特にデータ不足に直面した場合に、堅牢なrssの開発と実装を促進するための洞察を提供する。 我々は、研究者や実践者に対して貴重なガイダンスとインスピレーションを提供することを目標とし、最終的にはRSの分野の進歩を推し進める。

関連論文リスト

• Contextual Compression in Retrieval-Augmented Generation for Large Language Models: A Survey [0.0]
  大きな言語モデル(LLM)は目覚ましい能力を示すが、幻覚、時代遅れの知識、不透明さ、説明不能な推論といった制限に悩まされている。 Retrieval-Augmented Generation (RAG)は、外部データベースを活用して生成されたコンテンツの一貫性と一貫性を改善することで、実行可能なソリューションであることが証明されている。
  論文  参考訳（メタデータ） (2024-09-20T10:36:49Z)
• Knowledge Transfer for Cross-Domain Reinforcement Learning: A Systematic Review [2.94944680995069]
  強化学習(RL)は、複雑な意思決定問題を解決するために、試行錯誤を通じてエージェントを訓練できるフレームワークを提供する。 異なるタスクから知識を再利用することにより、知識伝達手法はRLのトレーニング時間を短縮する代替手段を提供する。 本稿では,異なる領域間で知識を伝達することに焦点を当てた手法の統一分析を行う。
  論文  参考訳（メタデータ） (2024-04-26T20:36:58Z)
• Analyzing Adversarial Inputs in Deep Reinforcement Learning [53.3760591018817]
  本稿では, 正当性検証のレンズを用いて, 逆入力の特性を包括的に解析する。 このような摂動に対する感受性に基づいてモデルを分類するために、新しい計量である逆数率(Adversarial Rate)を導入する。 本分析は, 直交入力が所定のDRLシステムの安全性にどのように影響するかを実証的に示す。
  論文  参考訳（メタデータ） (2024-02-07T21:58:40Z)
• Evaluating the structure of cognitive tasks with transfer learning [67.22168759751541]
  本研究では,脳波復号処理における深層学習表現の伝達可能性について検討した。 最近リリースされた2つのEEGデータセット上で、最先端デコードモデルを用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2023-07-28T14:51:09Z)
• Improving Conversational Recommendation Systems via Counterfactual Data Simulation [73.4526400381668]
  会話推薦システム(CRS)は、自然言語による会話を通じてレコメンデーションサービスを提供することを目的としている。 既存のCRSアプローチは、トレーニングデータの不足により、トレーニングの不十分な問題に悩まされることが多い。 我々は,CRSにおけるデータ不足の問題を緩和するため,CFCRSと呼ばれるCRSに対するCounterFactualデータシミュレーション手法を提案する。
  論文  参考訳（メタデータ） (2023-06-05T12:48:56Z)
• Deep Transfer Learning for Automatic Speech Recognition: Towards Better Generalization [3.6393183544320236]
  深層学習(DL)における音声認識の課題 大規模なトレーニングデータセットと高い計算とストレージリソースが必要です。 ディープトランスファーラーニング(DTL)はこれらの問題を克服するために導入された。
  論文  参考訳（メタデータ） (2023-04-27T21:08:05Z)
• Causal Structure Learning with Recommendation System [46.90516308311924]
  まず,その基盤となる因果構造を因果構造モデルとして定式化し,提案システムの現実的な作業機構を基盤とした一般的な因果構造学習フレームワークについて述べる。 次に,本フレームワークから学習目標を導出し,効率的な最適化のための拡張ラグランジアンソルバを提案する。
  論文  参考訳（メタデータ） (2022-10-19T02:31:47Z)
• Knowledge-Preserving Incremental Social Event Detection via Heterogeneous GNNs [72.09532817958932]
  ソーシャルイベント検出のための知識保存型不均一グラフニューラルネットワーク(KPGNN)を提案する。 KPGNNは複雑なソーシャルメッセージを統一されたソーシャルグラフにモデル化し、データの活用を促進し、知識抽出のためのGNNの表現力を探る。 また、GNNの帰納的学習能力を活用して、イベントを効率的に検出し、これまで見つからなかったデータからその知識を拡張する。
  論文  参考訳（メタデータ） (2021-01-21T17:56:57Z)
• Provably Efficient Causal Reinforcement Learning with Confounded Observational Data [135.64775986546505]
  オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。 提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-22T14:49:33Z)
• Recommender Systems Based on Generative Adversarial Networks: A Problem-Driven Perspective [27.11589218811911]
  GAN(Generative Adversarial Network)は、複雑な実データ分布を学習する能力の強いため、多くの分野への関心が高まっている。 本稿では,これらのモデルの分類と,それらの詳細な記述と利点を提案する。
  論文  参考訳（メタデータ） (2020-03-05T08:05:38Z)

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。