論文の概要: Cold-start Recommendation by Personalized Embedding Region Elicitation
- arxiv url: http://arxiv.org/abs/2406.00973v1
- Date: Mon, 3 Jun 2024 04:03:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-06 02:37:18.745779
- Title: Cold-start Recommendation by Personalized Embedding Region Elicitation
- Title（参考訳）: パーソナライズされた埋め込み領域の省力化によるコールドスタート勧告
- Authors: Hieu Trung Nguyen, Duy Nguyen, Khoa Doan, Viet Anh Nguyen,
- Abstract要約: 既存のelicitationメソッドは、ユーザの好みを学習するために、固定されたアイテムセットを使用する。
本稿では、この課題を2段階のパーソナライズド・エイコレーション・スキームを用いて解決する。
提案手法では,各サブプロブレムを効率よく実装可能であることを示す。
- 参考スコア（独自算出の注目度）: 14.78070264373809
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Rating elicitation is a success element for recommender systems to perform well at cold-starting, in which the systems need to recommend items to a newly arrived user with no prior knowledge about the user's preference. Existing elicitation methods employ a fixed set of items to learn the user's preference and then infer the users' preferences on the remaining items. Using a fixed seed set can limit the performance of the recommendation system since the seed set is unlikely optimal for all new users with potentially diverse preferences. This paper addresses this challenge using a 2-phase, personalized elicitation scheme. First, the elicitation scheme asks users to rate a small set of popular items in a ``burn-in'' phase. Second, it sequentially asks the user to rate adaptive items to refine the preference and the user's representation. Throughout the process, the system represents the user's embedding value not by a point estimate but by a region estimate. The value of information obtained by asking the user's rating on an item is quantified by the distance from the region center embedding space that contains with high confidence the true embedding value of the user. Finally, the recommendations are successively generated by considering the preference region of the user. We show that each subproblem in the elicitation scheme can be efficiently implemented. Further, we empirically demonstrate the effectiveness of the proposed method against existing rating-elicitation methods on several prominent datasets.
- Abstract（参考訳）: レーティング・エリケーション(英: Rating elicitation)は、冷間開始時に、利用者の好みを事前に知ることなく、新たに到着したユーザに対して、商品を推薦する必要があるようなレコメンデーションシステムの成功要素である。
既存のelicitationメソッドでは,ユーザの好みを学習し,残りの項目に対してユーザの好みを推測するために,固定されたアイテムセットを使用している。
固定されたシードセットを使用することで、潜在的に多様な好みを持つすべての新規ユーザにとって、シードセットが最適ではないため、レコメンデーションシステムのパフォーマンスを制限することができる。
本稿では、この課題を2段階のパーソナライズド・エイコレーション・スキームを用いて解決する。
まず,"burn-in' フェーズにおいて,ユーザに対して,人気項目の小さなセットの評価を依頼する。
第2に、ユーザの嗜好や表現を洗練させるために、適応項目の格付けを順次求めている。
プロセス全体を通して、システムは、ポイント推定ではなく、リージョン推定によって、ユーザの埋め込み値を表す。
ユーザの商品に対するレーティングを問うことで得られる情報の値は、ユーザの真の埋め込み値の信頼性の高い領域中心埋め込み空間からの距離によって定量化される。
最後に、ユーザの嗜好領域を考慮したレコメンデーションを順次生成する。
提案手法では,各サブプロブレムを効率よく実装可能であることを示す。
さらに,提案手法の有効性を実証的に実証した。
関連論文リスト
- Editable User Profiles for Controllable Text Recommendation [66.00743968792275]
制御可能なテキストレコメンデーションのための新しい概念値ボトルネックモデル LACE を提案する。
LACEは、人間の読みやすい概念の簡潔なセットで各ユーザーを表現する。
ユーザ文書に基づいて概念のパーソナライズされた表現を学習する。
論文 参考訳（メタデータ） (2023-04-09T14:52:18Z) - 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) - Estimating and Penalizing Induced Preference Shifts in Recommender
Systems [10.052697877248601]
システムデザイナは、レコメンデータが引き起こすシフトを見積もること、そのようなシフトが望まないかどうかを評価すること、さらには問題のあるシフトを避けるために積極的に最適化すること、などを議論する。
我々は、過去のユーザインタラクションデータを使用して、その好みのダイナミクスを暗黙的に含む予測的ユーザモデルをトレーニングする。
シミュレーション実験では、学習した嗜好動態モデルがユーザの嗜好を推定し、新しいレコメンデーションに対してどのように反応するかを示す。
論文 参考訳（メタデータ） (2022-04-25T21:04:46Z) - 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) - Low-Cost Algorithmic Recourse for Users With Uncertain Cost Functions [74.00030431081751]
本稿では,ユーザ固有のコスト関数の概念を定式化し,ユーザのための行動可能なリコースを識別する新しい手法を提案する。
本手法は,強いベースライン法に比べて最大25.89パーセントのユーザを満足させる。
論文 参考訳（メタデータ） (2021-11-01T19:49:35Z) - Correcting the User Feedback-Loop Bias for Recommendation Systems [34.44834423714441]
本稿では,レコメンデーションシステムにおいて,ユーザのフィードバックループバイアスを修正するための系統的かつ動的手法を提案する。
本手法は,各ユーザの動的評価履歴の埋め込みを学習するためのディープラーニングコンポーネントを含む。
実世界のレコメンデーションシステムにおけるユーザフィードバックループバイアスの存在を実証的に検証した。
論文 参考訳（メタデータ） (2021-09-13T15:02:55Z) - Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback
based Recommendation [59.183016033308014]
本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。
提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
論文 参考訳（メタデータ） (2021-05-16T08:06:22Z) - Learning Heterogeneous Temporal Patterns of User Preference for Timely
Recommendation [15.930016839929047]
我々はTimelyRecと呼ばれるタイムリーなレコメンデーションのための新しいレコメンデーションシステムを提案する。
TimelyRecでは、2つのエンコーダのカスケードが、各エンコーダに対して提案されたアテンションモジュールを使用して、ユーザの好みの時間パターンをキャプチャする。
実世界のデータセットにおける項目推薦シナリオと項目決定推薦シナリオの実験により,timelyrecの優位性が示された。
論文 参考訳（メタデータ） (2021-04-29T08:37:30Z) - Measuring Recommender System Effects with Simulated Users [19.09065424910035]
人気バイアスとフィルターバブルは、最もよく研究されているシステムバイアスの2つです。
各種ユーザ行動下におけるレコメンダーシステムの影響を測定するためのシミュレーションフレームワークを提供します。
論文 参考訳（メタデータ） (2021-01-12T14:51:11Z) - SetRank: A Setwise Bayesian Approach for Collaborative Ranking from
Implicit Feedback [50.13745601531148]
提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。
具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。
また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
論文 参考訳（メタデータ） (2020-02-23T06:40:48Z)
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。