論文の概要: Rethinking Recommender Systems: Cluster-based Algorithm Selection

• arxiv url: http://arxiv.org/abs/2405.18011v1
• Date: Tue, 28 May 2024 09:53:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 23:33:25.382620
• Title: Rethinking Recommender Systems: Cluster-based Algorithm Selection
• Title（参考訳）: Recommenderシステムの再考:クラスタベースのアルゴリズムの選択
• Authors: Andreas Lizenberger, Ferdinand Pfeifer, Bastian Polewka,
• Abstract要約: アルゴリズム選択に先立ってクラスタリングを行うと,推薦アルゴリズムの性能が向上することを示す。 8つのデータセットのうち5つについて、先行クラスタリングのないアルゴリズム選択と比較して、nDCG@10が19.28%(0.032)から360.38%(0.191)に増加したことを報告した。
• 参考スコア（独自算出の注目度）: 32.97208255533144
• License:
• Abstract: Cluster-based algorithm selection deals with selecting recommendation algorithms on clusters of users to obtain performance gains. No studies have been attempted for many combinations of clustering approaches and recommendation algorithms. We want to show that clustering users prior to algorithm selection increases the performance of recommendation algorithms. Our study covers eight datasets, four clustering approaches, and eight recommendation algorithms. We select the best performing recommendation algorithm for each cluster. Our work shows that cluster-based algorithm selection is an effective technique for optimizing recommendation algorithm performance. For five out of eight datasets, we report an increase in nDCG@10 between 19.28% (0.032) and 360.38% (0.191) compared to algorithm selection without prior clustering.
• Abstract（参考訳）: クラスタベースのアルゴリズム選択は、パフォーマンス向上を得るために、ユーザのクラスタ上でレコメンデーションアルゴリズムを選択する。 クラスタリングアプローチとレコメンデーションアルゴリズムの組み合わせについては、多くの研究が試みられていない。 アルゴリズム選択に先立って,クラスタリング利用者が推薦アルゴリズムの性能を高めることを示す。 調査では,8つのデータセット,4つのクラスタリングアプローチ,および8つのレコメンデーションアルゴリズムについて検討した。 クラスタ毎のベストパフォーマンスレコメンデーションアルゴリズムを選択する。 本研究は,クラスタベースのアルゴリズム選択が推薦アルゴリズムの性能を最適化する有効な手法であることを示す。 8つのデータセットのうち5つについて、先行クラスタリングのないアルゴリズム選択と比較して、nDCG@10が19.28%(0.032)から360.38%(0.191)に増加したことを報告した。

関連論文リスト

• Data Clustering and Visualization with Recursive Goemans-Williamson MaxCut Algorithm [0.0]
  本稿では,ベクトル化されたデータクラスタリングタスクの性能向上を実現するため,古典的な Goemans-Williamson MaxCut アルゴリズムを改良した。 本手法は計算効率とクラスタリング精度の両面での優位性を提供する。
  論文  参考訳（メタデータ） (2024-08-14T18:30:57Z)
• Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
  本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。 提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。 フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
  論文  参考訳（メタデータ） (2023-08-13T18:12:28Z)
• A Hybrid Chimp Optimization Algorithm and Generalized Normal Distribution Algorithm with Opposition-Based Learning Strategy for Solving Data Clustering Problems [0.0]
  本稿では、類似データと異種データを異なるグループに分類するコネクティビティ原則に基づいて、クラスタを分離するデータクラスタリングについて検討する。 メタヒューリスティック最適化アルゴリズムとインテリジェンスに基づく手法が,最適解を妥当な時間で達成するために導入された。
  論文  参考訳（メタデータ） (2023-02-16T23:29:01Z)
• An enhanced method of initial cluster center selection for K-means algorithm [0.0]
  K-meansアルゴリズムの初期クラスタ選択を改善するための新しい手法を提案する。 Convex Hullアルゴリズムは、最初の2つのセントロイドの計算を容易にし、残りの2つは、以前選択された中心からの距離に応じて選択される。 We obtained only 7.33%, 7.90%, and 0% clustering error in Iris, Letter, and Ruspini data。
  論文  参考訳（メタデータ） (2022-10-18T00:58:50Z)
• Ensemble Method for Cluster Number Determination and Algorithm Selection in Unsupervised Learning [0.0]
  教師なしの学習は、現場で使われる専門知識の必要性に悩まされる。 最小限の入力で活用できるアンサンブルクラスタリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-23T04:59:10Z)
• Clustering-Based Subset Selection in Evolutionary Multiobjective Optimization [11.110675371854988]
  サブセット選択は進化的多目的最適化(EMO)アルゴリズムにおいて重要な要素である。 クラスタリングに基づく手法は、EMOアルゴリズムによって得られた解集合からの部分集合選択の文脈では評価されていない。
  論文  参考訳（メタデータ） (2021-08-19T02:56:41Z)
• Algorithm Selection on a Meta Level [58.720142291102135]
  本稿では,与えられたアルゴリズムセレクタの組み合わせに最適な方法を求めるメタアルゴリズム選択の問題を紹介する。 本稿では,メタアルゴリズム選択のための一般的な方法論フレームワークと,このフレームワークのインスタンス化として具体的な学習手法を提案する。
  論文  参考訳（メタデータ） (2021-07-20T11:23:21Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)
• Multi-View Spectral Clustering with High-Order Optimal Neighborhood Laplacian Matrix [57.11971786407279]
  マルチビュースペクトルクラスタリングは、データ間の固有のクラスタ構造を効果的に明らかにすることができる。 本稿では,高次最適近傍ラプラシア行列を学習するマルチビュースペクトルクラスタリングアルゴリズムを提案する。 提案アルゴリズムは, 1次ベースと高次ベースの両方の線形結合の近傍を探索し, 最適ラプラシア行列を生成する。
  論文  参考訳（メタデータ） (2020-08-31T12:28:40Z)
• Differentially Private Clustering: Tight Approximation Ratios [57.89473217052714]
  基本的なクラスタリング問題に対して,効率的な微分プライベートアルゴリズムを提案する。 この結果から,SampleとAggregateのプライバシーフレームワークのアルゴリズムの改善が示唆された。 1-Clusterアルゴリズムで使用されるツールの1つは、ClosestPairのより高速な量子アルゴリズムを適度な次元で得るために利用できる。
  論文  参考訳（メタデータ） (2020-08-18T16:22:06Z)
• Optimal Clustering from Noisy Binary Feedback [75.17453757892152]
  本稿では,二元的ユーザフィードバックから一組のアイテムをクラスタリングする問題について検討する。 最小クラスタ回復誤差率のアルゴリズムを考案する。 適応選択のために,情報理論的誤差下界の導出にインスパイアされたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2019-10-14T09:18:26Z)

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。