論文の概要: Empirical and Experimental Perspectives on Big Data in Recommendation
Systems: A Comprehensive Survey
- arxiv url: http://arxiv.org/abs/2402.03368v1
- Date: Thu, 1 Feb 2024 23:51:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-11 15:27:15.218416
- Title: Empirical and Experimental Perspectives on Big Data in Recommendation
Systems: A Comprehensive Survey
- Title（参考訳）: 勧告システムにおけるビッグデータの実証的・実験的展望:包括的調査
- Authors: Kamal Taha, Paul D. Yoo, Aya Taha
- Abstract要約: 本稿では,レコメンデーションシステムにおけるビッグデータアルゴリズムの包括的分析について述べる。
それは、現在のアルゴリズムの徹底的な分析と、正確な分類のための新しい階層的な分類法である。
- 参考スコア（独自算出の注目度）: 2.6319554262325924
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This survey paper provides a comprehensive analysis of big data algorithms in
recommendation systems, addressing the lack of depth and precision in existing
literature. It proposes a two-pronged approach: a thorough analysis of current
algorithms and a novel, hierarchical taxonomy for precise categorization. The
taxonomy is based on a tri-level hierarchy, starting with the methodology
category and narrowing down to specific techniques. Such a framework allows for
a structured and comprehensive classification of algorithms, assisting
researchers in understanding the interrelationships among diverse algorithms
and techniques. Covering a wide range of algorithms, this taxonomy first
categorizes algorithms into four main analysis types: User and Item
Similarity-Based Methods, Hybrid and Combined Approaches, Deep Learning and
Algorithmic Methods, and Mathematical Modeling Methods, with further
subdivisions into sub-categories and techniques. The paper incorporates both
empirical and experimental evaluations to differentiate between the techniques.
The empirical evaluation ranks the techniques based on four criteria. The
experimental assessments rank the algorithms that belong to the same category,
sub-category, technique, and sub-technique. Also, the paper illuminates the
future prospects of big data techniques in recommendation systems, underscoring
potential advancements and opportunities for further research in this field
- Abstract（参考訳）: 本稿では,既存の文献における深度と精度の欠如に対処するため,レコメンデーションシステムにおけるビッグデータアルゴリズムの包括的分析を行う。
現在のアルゴリズムを徹底的に分析し、正確な分類のための新しい階層的な分類法を提案する。
分類学は、方法論のカテゴリから始まり、特定のテクニックに絞り込む三段階階層に基づいている。
このようなフレームワークは、アルゴリズムの構造化と包括的分類を可能にし、研究者が様々なアルゴリズムや技術間の相互関係を理解するのを助ける。
幅広いアルゴリズムをカバーするこの分類学は、まずアルゴリズムを4つの主要な分析タイプに分類する: ユーザーとアイテムの類似性に基づく手法、ハイブリッドと組み合わせのアプローチ、ディープラーニングとアルゴリズムの手法、数学的モデリングの手法。
本論文は,実験的評価と実験的評価の両方を取り入れた手法である。
経験的評価は4つの基準に基づいてテクニックをランク付けする。
実験的な評価は、同じカテゴリ、サブカテゴリ、テクニック、サブテクニックに属するアルゴリズムをランク付けする。
また,推薦システムにおけるビッグデータ技術の将来展望を照らし,さらなる研究の機会と可能性を明らかにした。
関連論文リスト
- GuideWalk -- Heterogeneous Data Fusion for Enhanced Learning -- A Multiclass Document Classification Case [0.0]
意味のある文のグラフ構造に基づく新しい埋め込み法を提案する。
本手法の有効性を分類問題において検証した。
提案手法は,実世界のデータセットと8つのよく知られた,成功した埋め込みアルゴリズムを用いて検証する。
論文 参考訳（メタデータ） (2024-04-25T18:48:11Z) - Empirical and Experimental Insights into Data Mining Techniques for
Crime Prediction: A Comprehensive Survey [0.8702432681310399]
本稿では,犯罪データ分析に使用される統計的手法,機械学習アルゴリズム,深層学習技術について述べる。
本稿では,犯罪予測アルゴリズムを特定の手法に分類する手法を提案する。
論文 参考訳（メタデータ） (2024-02-17T15:00:45Z) - Text Classification: A Review, Empirical, and Experimental Evaluation [2.341806147715478]
既存の調査論文は、テキスト分類のためのアルゴリズムを幅広いクラスに分類している。
アルゴリズムを階層的にきめ細かなクラスと特定のテクニックに分類する,新しい方法論の分類法を導入する。
本研究は,本手法をテキスト分類アルゴリズムの分類に利用した最初の調査である。
論文 参考訳（メタデータ） (2024-01-11T08:17:42Z) - Incremental hierarchical text clustering methods: a review [49.32130498861987]
本研究の目的は,階層的および漸進的クラスタリング技術の解析である。
本研究の主な貢献は、文書クラスタリングのテキスト化を目的とした、2010年から2018年にかけて出版された研究で使用されるテクニックの組織化と比較である。
論文 参考訳（メタデータ） (2023-12-12T22:27:29Z) - Beyond original Research Articles Categorization via NLP [2.28438857884398]
この研究は、事前学習された言語モデル、特にSciBERTの力を利用して、ArXivデータセットから意味のある抽象表現を抽出する。
提案手法は従来のarXivラベリングシステムよりも効果的に被写体情報をキャプチャすることを示す。
論文 参考訳（メタデータ） (2023-09-13T15:23:30Z) - A Gold Standard Dataset for the Reviewer Assignment Problem [117.59690218507565]
類似度スコア(Similarity score)とは、論文のレビューにおいて、レビュアーの専門知識を数値で見積もるものである。
私たちのデータセットは、58人の研究者による477の自己申告された専門知識スコアで構成されています。
2つの論文をレビュアーに関連付けるタスクは、簡単なケースでは12%～30%、ハードケースでは36%～43%である。
論文 参考訳（メタデータ） (2023-03-23T16:15:03Z) - Deep Learning Schema-based Event Extraction: Literature Review and
Current Trends [60.29289298349322]
ディープラーニングに基づくイベント抽出技術が研究ホットスポットとなっている。
本稿では,ディープラーニングモデルに焦点をあて,最先端のアプローチを見直し,そのギャップを埋める。
論文 参考訳（メタデータ） (2021-07-05T16:32:45Z) - HUMAP: Hierarchical Uniform Manifold Approximation and Projection [64.0476282000118]
HUMAPは、局所的・大域的構造と階層的探索を通してのメンタルマップの保存に柔軟に設計された、新しい階層的次元削減技術である。
本手法の優位性を示す実証的な証拠を,現在の階層的アプローチと比較し,その強みを示す2つのケーススタディを示す。
論文 参考訳（メタデータ） (2021-06-14T19:27:54Z) - A Survey on Deep Semi-supervised Learning [51.26862262550445]
まず,既存の手法を分類した深層半指導学習の分類法を提案する。
次に、損失の種類、貢献度、アーキテクチャの違いの観点から、これらのメソッドを詳細に比較します。
論文 参考訳（メタデータ） (2021-02-28T16:22:58Z) - A Survey on Text Classification: From Shallow to Deep Learning [83.47804123133719]
過去10年は、ディープラーニングが前例のない成功を収めたために、この分野の研究が急増している。
本稿では,1961年から2021年までの最先端のアプローチを見直し,そのギャップを埋める。
特徴抽出と分類に使用されるテキストとモデルに基づいて,テキスト分類のための分類を作成する。
論文 参考訳（メタデータ） (2020-08-02T00:09:03Z)
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。