論文の概要: A Comprehensive Review of Recommender Systems: Transitioning from Theory to Practice

• arxiv url: http://arxiv.org/abs/2407.13699v2
• Date: Sun, 23 Feb 2025 02:49:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:48:44.432014
• Title: A Comprehensive Review of Recommender Systems: Transitioning from Theory to Practice
• Title（参考訳）: 総合的なレコメンダシステムのレビュー:理論から実践へ
• Authors: Shaina Raza, Mizanur Rahman, Safiullah Kamawal, Armin Toroghi, Ananya Raval, Farshad Navah, Amirmohammad Kazemeini,
• Abstract要約: Recommender Systems(RS)は、パーソナライズされたアイテムの提案を提供することで、ユーザーエクスペリエンスを高める上で重要な役割を果たす。 この調査は、2017年から2024年までのRSの進歩を包括的にレビューする。 この調査の第一の目的は、理論を実践と橋渡しすることである。
• 参考スコア（独自算出の注目度）: 5.564583287027287
• License:
• Abstract: Recommender Systems (RS) play an integral role in enhancing user experiences by providing personalized item suggestions. This survey reviews the progress in RS inclusively from 2017 to 2024, effectively connecting theoretical advances with practical applications. We explore the development from traditional RS techniques like content-based and collaborative filtering to advanced methods involving deep learning, graph-based models, reinforcement learning, and large language models. We also discuss specialized systems such as context-aware, review-based, and fairness-aware RS. The primary goal of this survey is to bridge theory with practice. It addresses challenges across various sectors, including e-commerce, healthcare, and finance, emphasizing the need for scalable, real-time, and trustworthy solutions. Through this survey, we promote stronger partnerships between academic research and industry practices. The insights offered by this survey aim to guide industry professionals in optimizing RS deployment and to inspire future research directions, especially in addressing emerging technological and societal trends\footnote. The survey resources are available in the public GitHub repository https://github.com/VectorInstitute/Recommender-Systems-Survey. (Recommender systems, large language models, chatgpt, responsible AI)
• Abstract（参考訳）: Recommender Systems(RS)は、パーソナライズされたアイテムの提案を提供することで、ユーザーエクスペリエンスを高める上で重要な役割を果たす。 この調査は、2017年から2024年までのRSの進歩を包括的にレビューし、理論的進歩と実践的応用を効果的に結びつけるものである。 我々は、コンテンツベースや協調フィルタリングといった従来のRS技術から、ディープラーニング、グラフベースモデル、強化学習、大規模言語モデルを含む高度な手法まで、開発について検討する。 また、コンテキスト認識、レビューベース、フェアネス認識RSなどの専門システムについても論じる。 この調査の第一の目的は、理論を実践と橋渡しすることである。 それは、eコマース、ヘルスケア、金融など、さまざまな分野の課題に対処し、スケーラブルでリアルタイムで信頼できるソリューションの必要性を強調している。 本調査を通じて,学術研究と産業実践の連携を深める。 この調査で得られた知見は、産業専門家がRSの展開を最適化し、特に新しい技術や社会のトレンドに対処する上で、今後の研究の方向性を刺激することを目的としている。 調査リソースはGitHubリポジトリhttps://github.com/VectorInstitute/Recommender-Systems-Surveyで公開されている。 (レコメンダシステム、大規模言語モデル、チャットチャット、責任あるAI)

関連論文リスト

• Generative Large Recommendation Models: Emerging Trends in LLMs for Recommendation [85.52251362906418]
  このチュートリアルでは、大規模言語モデル(LLM)を統合するための2つの主要なアプローチを探求する。 これは、最近の進歩、課題、潜在的研究の方向性を含む、生成的な大規模なレコメンデーションモデルの包括的な概要を提供する。 主なトピックは、データ品質、スケーリング法則、ユーザの行動マイニング、トレーニングと推論の効率性である。
  論文  参考訳（メタデータ） (2025-02-19T14:48:25Z)
• A Survey on Recommendation Unlearning: Fundamentals, Taxonomy, Evaluation, and Open Questions [16.00188808166725]
  推薦システムは、ユーザの行動と意思決定を形作ることに、ますます影響力を増している。 レコメンデータシステムにおける機械学習モデルの普及は、ユーザのプライバシとセキュリティに関する重要な懸念を引き起こしている。 従来の機械学習手法は、協調的な相互作用やモデルパラメータによって引き起こされるユニークな課題のために、アンラーニングを推奨するのに不適である。
  論文  参考訳（メタデータ） (2024-12-17T11:58:55Z)
• Teaching Design Science as a Method for Effective Research Development [0.24578723416255752]
  デザインサイエンスリサーチ(DSR)方法論の適用は、情報システム(IS)とソフトウェア工学研究の一般的な作業資源になりつつある。 この章には、DSR、教育方法論、学習目的、レコメンデーションの例が含まれている。 我々は,デザインサイエンスのユーザ体験に関するデータ収集を目的とした調査成果を作成した。
  論文  参考訳（メタデータ） (2024-07-13T10:43:06Z)
• LEARN: Knowledge Adaptation from Large Language Model to Recommendation for Practical Industrial Application [54.984348122105516]
  Llm-driven knowlEdge Adaptive RecommeNdation (LEARN)フレームワークは、オープンワールドの知識と協調的な知識をシナジする。 オープンワールドの知識と協調的な知識を相乗化するLlm-driven knowlEdge Adaptive RecommeNdation (LEARN) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-07T04:00:30Z)
• Emerging Synergies Between Large Language Models and Machine Learning in Ecommerce Recommendations [19.405233437533713]
  大規模言語モデル(LLM)は、言語理解と生成の基本的なタスクにおいて優れた機能を持つ。 機能エンコーダとしてLLMを用いたユーザとアイテムの表現を学習するための代表的なアプローチを提案する。 次に、協調フィルタリング強化レコメンデーションシステムのためのLLM技術の最新技術について概説した。
  論文  参考訳（メタデータ） (2024-03-05T08:31:00Z)
• Embedding in Recommender Systems: A Survey [67.67966158305603]
  重要な側面は、ユーザやアイテムIDといった高次元の離散的な特徴を低次元連続ベクトルに包含する技法である。 埋め込み技術の適用は複雑なエンティティ関係を捉え、かなりの研究を刺激している。 この調査では、協調フィルタリング、自己教師付き学習、グラフベースのテクニックなどの埋め込み手法を取り上げている。
  論文  参考訳（メタデータ） (2023-10-28T06:31:06Z)
• Recommender Systems in the Era of Large Language Models (LLMs) [62.0129013439038]
  大規模言語モデル(LLM)は自然言語処理(NLP)と人工知能(AI)の分野に革命をもたらした。 我々は, プレトレーニング, ファインチューニング, プロンプティングなどの様々な側面から, LLM を利用したレコメンデータシステムの総合的なレビューを行う。
  論文  参考訳（メタデータ） (2023-07-05T06:03:40Z)
• Reinforcement Learning Applied to Trading Systems: A Survey [5.118560450410779]
  近年の成果と強化学習の有名さは、取引業務における採用率を高めている。 このレビューは、研究者の標準遵守へのコミットメントによって、この研究分野の発展を促進する試みである。
  論文  参考訳（メタデータ） (2022-11-01T21:26:12Z)
• Advances and Challenges in Conversational Recommender Systems: A Survey [133.93908165922804]
  現在の会話レコメンダーシステム(CRS)で使用されるテクニックの体系的なレビューを提供します。 CRS開発の主な課題を5つの方向にまとめます。 これらの研究の方向性は、情報検索(IR)、自然言語処理(NLP)、人間とコンピュータの相互作用(HCI)などの複数の研究分野を含みます。
  論文  参考訳（メタデータ） (2021-01-23T08:53:15Z)
• Deep Conversational Recommender Systems: A New Frontier for Goal-Oriented Dialogue Systems [54.06971074217952]
  Conversational Recommender System (CRS)は対話型対話を通じてユーザの好みを学習し、モデル化する。 ディープラーニングアプローチはCRSに適用され、実りある結果を生み出した。
  論文  参考訳（メタデータ） (2020-04-28T02:20:42Z)

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。