論文の概要: Against Filter Bubbles: Diversified Music Recommendation via Weighted Hypergraph Embedding Learning

• arxiv url: http://arxiv.org/abs/2402.16299v1
• Date: Mon, 26 Feb 2024 04:43:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-27 14:33:31.333950
• Title: Against Filter Bubbles: Diversified Music Recommendation via Weighted Hypergraph Embedding Learning
• Title（参考訳）: anti filter bubbles: 重み付きハイパーグラフ埋め込み学習による多様な音楽推薦
• Authors: Chaoguang Luo, Liuying Wen, Yong Qin, Liangwei Yang, Zhineng Hu, Philip S. Yu
• Abstract要約: 本稿ではDWHRec(Diversified Weighted Hypergraph Music Recommendation Algorithm)を紹介する。 DWHRecでは、ユーザとリスニングトラックの関連は重み付きハイパーグラフで表される。 2つの実世界の音楽データセットを用いて,DWHRecを7つの最先端レコメンデーションアルゴリズムと比較した。
• 参考スコア（独自算出の注目度）: 34.44702150305634
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender systems serve a dual purpose for users: sifting out inappropriate or mismatched information while accurately identifying items that align with their preferences. Numerous recommendation algorithms are designed to provide users with a personalized array of information tailored to their preferences. Nevertheless, excessive personalization can confine users within a "filter bubble". Consequently, achieving the right balance between accuracy and diversity in recommendations is a pressing concern. To address this challenge, exemplified by music recommendation, we introduce the Diversified Weighted Hypergraph music Recommendation algorithm (DWHRec). In the DWHRec algorithm, the initial connections between users and listened tracks are represented by a weighted hypergraph. Simultaneously, associations between artists, albums and tags with tracks are also appended to the hypergraph. To explore users' latent preferences, a hypergraph-based random walk embedding method is applied to the constructed hypergraph. In our investigation, accuracy is gauged by the alignment between the user and the track, whereas the array of recommended track types measures diversity. We rigorously compared DWHRec against seven state-of-the-art recommendation algorithms using two real-world music datasets. The experimental results validate DWHRec as a solution that adeptly harmonizes accuracy and diversity, delivering a more enriched musical experience. Beyond music recommendation, DWHRec can be extended to cater to other scenarios with similar data structures.
• Abstract（参考訳）: リコメンダシステムは、不適切な情報やミスマッチした情報を排除し、好みに沿ったアイテムを正確に識別する、という2つの目的をユーザに提供する。 多くのレコメンデーションアルゴリズムは、ユーザが好みに合わせてパーソナライズされた情報の配列を提供するように設計されている。 にもかかわらず、過剰なパーソナライゼーションはユーザーを「フィルターバブル」の中に閉じ込めることができる。 その結果、レコメンデーションにおける正確性と多様性の適切なバランスを達成することが、差し迫った懸念である。 そこで本研究では,DWHRec(Diversified Weighted Hypergraph Music Recommendation Algorithm)を提案する。 DWHRecアルゴリズムでは、ユーザとリスニングトラックの間の初期接続は重み付きハイパーグラフで表現される。 同時に、アーティスト、アルバム、タグとトラックの関連もハイパーグラフに追加される。 ユーザの潜在嗜好を調べるために,構築したハイパーグラフにハイパーグラフに基づくランダムウォーク埋め込み手法を適用する。 調査では,ユーザとトラックのアライメントによって精度が測定されるのに対して,推奨トラックタイプの配列は多様性を計測する。 2つの実世界の音楽データセットを用いて,DWHRecを7つの最先端レコメンデーションアルゴリズムと比較した。 実験結果はDWHRecを精度と多様性を十分に調和させ、より豊かな音楽体験を提供するソリューションとして評価した。 音楽レコメンデーション以外にも、DWHRecは同様のデータ構造を持つ他のシナリオにも拡張できる。

関連論文リスト

• Preference Diffusion for Recommendation [50.8692409346126]
  DMベースのレコメンデータに適した最適化対象であるPreferDiffを提案する。 PreferDiffは、BPRをログライクなランキング目標に変換することで、ユーザの好みをよりよく把握する。 これはDMベースのレコメンデーション向けに特別に設計された、パーソナライズされたランキングの損失である。
  論文  参考訳（メタデータ） (2024-10-17T01:02:04Z)
• Aligning GPTRec with Beyond-Accuracy Goals with Reinforcement Learning [67.71952251641545]
  GPTRecはアイテム・バイ・イテムレコメンデーションのためのTop-Kモデルの代替品である。 GPTRecは,従来のグリーディ・リグレード手法よりも精度とセカンダリ・メトリクスのトレードオフが優れていることを示す。 2つのデータセットに対する実験により、GPTRecのNext-K生成アプローチは、古典的なグリージーな再ランク技術よりも精度と二次メトリクスのトレードオフが優れていることが示された。
  論文  参考訳（メタデータ） (2024-03-07T19:47:48Z)
• HypeRS: Building a Hypergraph-driven ensemble Recommender System [0.0]
  本稿では,異なるモデルによる予測を統一的なハイパーグラフランキングフレームワークに組み合わせた,新しいアンサンブル推薦システムを提案する。 ハイパーグラフランキングが推奨システムのアンサンブルをモデル化するのはこれが初めてである。
  論文  参考訳（メタデータ） (2023-06-22T10:59:58Z)
• A Study on Accuracy, Miscalibration, and Popularity Bias in Recommendations [6.694971161661218]
  異なるジャンルがレコメンデーションパフォーマンスの不整合に与える影響について検討する。 人気コンテンツへの関心がほとんどないユーザは、最悪のレコメンデーションの精度を得られる。 実験の結果,特定のジャンルがレコメンデーションパフォーマンスの不整合に異なる程度寄与していることが判明した。
  論文  参考訳（メタデータ） (2023-03-01T10:39:58Z)
• Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
  我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。 本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。 我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
  論文  参考訳（メタデータ） (2022-07-04T17:49:25Z)
• Introducing a Framework and a Decision Protocol to Calibrate Recommender Systems [0.0]
  本稿では,ジャンルの校正バランスを考慮したレコメンデーションリスト作成手法を提案する。 主な主張は、キャリブレーションはより公平なレコメンデーションを生み出すために肯定的に貢献できるということである。 本稿では,1000以上の校正システムの組み合わせを生成するための概念的フレームワークと決定プロトコルを提案する。
  論文  参考訳（メタデータ） (2022-04-07T19:30:55Z)
• Modeling Dynamic User Preference via Dictionary Learning for Sequential Recommendation [133.8758914874593]
  ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。 浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。 本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
  論文  参考訳（メタデータ） (2022-04-02T03:23:46Z)
• Explainability in Music Recommender Systems [69.0506502017444]
  音楽レコメンダシステム(MRS)の文脈における説明可能性について論じる。 MRSは非常に複雑で、推奨精度に最適化されることが多い。 本稿では、MSSに説明可能性コンポーネントを組み込む方法と、どのようなフォーム説明を提供するかを示す。
  論文  参考訳（メタデータ） (2022-01-25T18:32:11Z)
• Batch versus Sequential Active Learning for Recommender Systems [3.7796614675664397]
  シーケンシャルモードは、高密度データセットに対して最も正確なレコメンデーションを生成する。 ほとんどのアクティブな学習者にとって、最良の予測器はシーケンシャルモードと組み合わせてFunkSVDであることが判明した。
  論文  参考訳（メタデータ） (2022-01-19T12:50:36Z)

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。