論文の概要: An Adaptive Framework of Geographical Group-Specific Network on O2O Recommendation

• arxiv url: http://arxiv.org/abs/2312.17072v1
• Date: Thu, 28 Dec 2023 15:34:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-29 15:51:42.704245
• Title: An Adaptive Framework of Geographical Group-Specific Network on O2O Recommendation
• Title（参考訳）: O2O勧告に基づく地理的グループ特化ネットワークの適応的枠組み
• Authors: Luo Ji, Jiayu Mao, Hailong Shi, Qian Li, Yunfei Chu, Hongxia Yang
• Abstract要約: そこで本稿では,GeoGrouseというグループ固有のモデリング手法を提案し,共通知識とグループ固有のユーザ嗜好の知識を同時に研究する。 ユーザの地理的グルーピング指標に基づいて,自動グルーピングパラダイムを採用し,検証する。 オフラインおよびオンライン実験は、我々のアプローチの有効性を検証するために実施され、実質的なビジネス改善が達成されます。
• 参考スコア（独自算出の注目度）: 27.003348227056012
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online to offline recommendation strongly correlates with the user and service's spatiotemporal information, therefore calling for a higher degree of model personalization. The traditional methodology is based on a uniform model structure trained by collected centralized data, which is unlikely to capture all user patterns over different geographical areas or time periods. To tackle this challenge, we propose a geographical group-specific modeling method called GeoGrouse, which simultaneously studies the common knowledge as well as group-specific knowledge of user preferences. An automatic grouping paradigm is employed and verified based on users' geographical grouping indicators. Offline and online experiments are conducted to verify the effectiveness of our approach, and substantial business improvement is achieved.
• Abstract（参考訳）: オンラインからオフラインへのレコメンデーションは、ユーザとサービスの時空間情報と強く関連しているため、より高度なモデルパーソナライズを要求する。 従来の手法は、収集された集中型データによってトレーニングされた一様モデル構造に基づいており、異なる地理的領域や期間にわたってすべてのユーザパターンをキャプチャする可能性は低い。 この課題に取り組むために,geogrouseと呼ばれる地理的グループ固有のモデリング手法を提案する。 ユーザの地理的グループ化指標に基づいて,自動グループ化パラダイムを採用し,検証する。 本手法の有効性を検証するためにオフラインおよびオンライン実験を行い,大幅なビジネス改善を実現する。

関連論文リスト

• Adaptive spectral graph wavelets for collaborative filtering [5.547800834335382]
  協調フィルタリングはレコメンデーションシステムにおいて一般的なアプローチであり、その目的はパーソナライズされた項目の提案を提供することである。 本稿では,暗黙的なフィードバックデータに対するスペクトルグラフウェーブレット協調フィルタリングフレームワークを提案する。 グラフの局所的および大域的構造を捉えることに加えて、我々の手法は空間的およびスペクトル的領域におけるグラフ信号の局所化をもたらす。
  論文  参考訳（メタデータ） (2023-12-05T22:22:25Z)
• 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)
• 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)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• Local-Adaptive Face Recognition via Graph-based Meta-Clustering and Regularized Adaptation [21.08555249703121]
  局所適応顔認識(LaFR)と呼ばれる新しい問題設定を導入する。 LaFRは、ローカルに適応したモデルを自動かつ非監視にトレーニングすることで、最適なパフォーマンスを実現することを目指している。 更新された局所モデルに対して,単純なフェデレーションアグリゲーションにより,LaFRはグローバルモデルをさらに改善できることを示す。
  論文  参考訳（メタデータ） (2022-03-27T15:20:14Z)
• Modelling of Bi-directional Spatio-Temporal Dependence and Users' Dynamic Preferences for Missing POI Check-in Identification [38.51964956686177]
  双方向の時間的依存とユーザの動的嗜好を統合するモデルであるBi-STDDPを開発した。 その結果, 最先端手法と比較して, モデルの大幅な改善が示された。
  論文  参考訳（メタデータ） (2021-12-31T03:54:37Z)
• Decentralised Person Re-Identification with Selective Knowledge Aggregation [56.40855978874077]
  既存の人物再識別(Re-ID)手法は、主に、モデル学習のためのコレクションにすべてのトレーニングデータを共有する集中型学習パラダイムに従っている。 グローバルに一般化されたモデル(サーバ)を構築するための分散(フェデレーション)Re-ID学習を導入した最近の2つの作品がある。 しかし、これらの手法は、個々のクライアントドメインのRe-IDタスクのパフォーマンスを最大化するために一般化されたモデルを適用する方法に乏しい。 我々は、モデルパーソナライゼーションと一般化のトレードオフを最適化するために、分散化されたRe-IDに対して、新しい選択的知識集約アプローチを提案する。
  論文  参考訳（メタデータ） (2021-10-21T18:09:53Z)
• Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
  グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。 本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
  論文  参考訳（メタデータ） (2020-10-02T07:11:19Z)
• Topology-based Clusterwise Regression for User Segmentation and Demand Forecasting [63.78344280962136]
  本研究は,パブリックおよび新規な商用データ集合を用いて,アナリストがユーザベースをクラスタリングし,詳細なレベルで需要を計画できることを示す。 本研究は,TDAに基づく時系列クラスタリングと行列因数分解法によるクラスタ回帰を実践者にとって実行可能なツールとして導入することを目的とする。
  論文  参考訳（メタデータ） (2020-09-08T12:10:10Z)
• Joint Geographical and Temporal Modeling based on Matrix Factorization for Point-of-Interest Recommendation [6.346772579930929]
  POI(Point-of-Interest)レコメンデーションは,POIを推奨するユーザの好みやモビリティパターンを学習する重要なタスクとなっている。 従来の研究では、POI勧告を改善するためには、地理的影響や時間的影響などの文脈情報を取り入れることが必要であることが示されている。
  論文  参考訳（メタデータ） (2020-01-24T12:25:37Z)

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。