論文の概要: Neural Contextual Bandits for Personalized Recommendation

• arxiv url: http://arxiv.org/abs/2312.14037v1
• Date: Thu, 21 Dec 2023 17:03:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-22 13:52:37.785965
• Title: Neural Contextual Bandits for Personalized Recommendation
• Title（参考訳）: パーソナライズド・レコメンデーションのためのニューラル・コンテクスト・バンディット
• Authors: Yikun Ban, Yunzhe Qi, Jingrui He
• Abstract要約: 本チュートリアルでは、パーソナライズされたレコメンデーションのための強力なフレームワークとして、コンテキスト帯について検討する。 我々は、リコメンデーターシステムにおける「マシュー効果」を緩和するために、文脈的盗賊の探索的視点に焦点を当てる。 従来の線形文脈包帯に加えて、我々は神経文脈包帯にも焦点をあてる。
• 参考スコア（独自算出の注目度）: 49.85090929163639
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In the dynamic landscape of online businesses, recommender systems are pivotal in enhancing user experiences. While traditional approaches have relied on static supervised learning, the quest for adaptive, user-centric recommendations has led to the emergence of the formulation of contextual bandits. This tutorial investigates the contextual bandits as a powerful framework for personalized recommendations. We delve into the challenges, advanced algorithms and theories, collaborative strategies, and open challenges and future prospects within this field. Different from existing related tutorials, (1) we focus on the exploration perspective of contextual bandits to alleviate the ``Matthew Effect'' in the recommender systems, i.e., the rich get richer and the poor get poorer, concerning the popularity of items; (2) in addition to the conventional linear contextual bandits, we will also dedicated to neural contextual bandits which have emerged as an important branch in recent years, to investigate how neural networks benefit contextual bandits for personalized recommendation both empirically and theoretically; (3) we will cover the latest topic, collaborative neural contextual bandits, to incorporate both user heterogeneity and user correlations customized for recommender system; (4) we will provide and discuss the new emerging challenges and open questions for neural contextual bandits with applications in the personalized recommendation, especially for large neural models.
• Abstract（参考訳）: オンラインビジネスのダイナミックなランドスケープにおいて、レコメンダシステムはユーザエクスペリエンスの強化に重要な役割を果たしている。 従来のアプローチは静的教師あり学習に依存してきたが、適応的でユーザ中心のレコメンデーションの探求は、文脈的包帯の定式化に繋がった。 このチュートリアルでは、パーソナライズドレコメンデーションのための強力なフレームワークとしてコンテキストバンディットを調査します。 我々は,この分野における課題,高度なアルゴリズムと理論,協調戦略,オープンチャレンジと今後の展望について考察する。 Different from existing related tutorials, (1) we focus on the exploration perspective of contextual bandits to alleviate the ``Matthew Effect'' in the recommender systems, i.e., the rich get richer and the poor get poorer, concerning the popularity of items; (2) in addition to the conventional linear contextual bandits, we will also dedicated to neural contextual bandits which have emerged as an important branch in recent years, to investigate how neural networks benefit contextual bandits for personalized recommendation both empirically and theoretically; (3) we will cover the latest topic, collaborative neural contextual bandits, to incorporate both user heterogeneity and user correlations customized for recommender system; (4) we will provide and discuss the new emerging challenges and open questions for neural contextual bandits with applications in the personalized recommendation, especially for large neural models.

関連論文リスト

• Conversational Dueling Bandits in Generalized Linear Models [45.99797764214125]
  本稿では,相対的なフィードバックに基づく会話を対話レコメンデーションシステムに導入する。 本稿では,ConDuelと呼ばれる新しい対話型デュエル帯域幅アルゴリズムを提案する。 また,理論的および実験的保証により,アルゴリズムをマルチノミアルロジットバンディットに拡張する可能性を実証した。
  論文  参考訳（メタデータ） (2024-07-26T03:43:10Z)
• Neural Dueling Bandits [58.90189511247936]
  ニューラルネットワークを用いて、予め選択した腕の好みフィードバックを用いて報酬関数を推定する。 次に、理論結果を二項フィードバックによる文脈的帯域幅問題に拡張し、それはそれ自体は自明な寄与ではない。
  論文  参考訳（メタデータ） (2024-07-24T09:23:22Z)
• Transparency, Privacy, and Fairness in Recommender Systems [0.19036571490366497]
  このハビテーションは、(i)透明性と認知モデル、(ii)プライバシーと限定された嗜好情報、(iii)推薦システムにおける公正性と人気バイアスに関連する側面を精査する。
  論文  参考訳（メタデータ） (2024-06-17T08:37:14Z)
• Graph Neural Bandits [49.85090929163639]
  グラフニューラルネットワーク(GNN)によって強化されたユーザ間の協調性を生かしたグラフニューラルバンド(GNB)というフレームワークを提案する。 提案手法を改良するために,推定ユーザグラフ上の別々のGNNモデルを用いて,エクスプロイトと適応探索を行う。
  論文  参考訳（メタデータ） (2023-08-21T15:57:57Z)
• Two-Stage Neural Contextual Bandits for Personalised News Recommendation [50.3750507789989]
  既存のパーソナライズされたニュースレコメンデーション手法は、ユーザの興味を搾取することに集中し、レコメンデーションにおける探索を無視する。 我々は、エクスプロイトと探索のトレードオフに対処する文脈的包括的レコメンデーション戦略に基づいて構築する。 我々はユーザとニュースにディープラーニング表現を使用し、ニューラルアッパー信頼境界(UCB)ポリシーを一般化し、加法的 UCB と双線形 UCB を一般化する。
  論文  参考訳（メタデータ） (2022-06-26T12:07:56Z)
• 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)
• Recurrent Neural-Linear Posterior Sampling for Nonstationary Contextual Bandits [9.877980800275507]
  本稿では,エージェントと環境間のインタラクションの生履歴のみに基づいて,意思決定の関連状況を表現する手法を提案する。 このアプローチは、リカレントニューラルネットワークによって抽出された特徴と、後続サンプリングに基づく文脈線形帯域アルゴリズムの組み合わせに依存する。
  論文  参考訳（メタデータ） (2020-07-09T12:46:51Z)

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。