論文の概要: Advancements in Recommender Systems: A Comprehensive Analysis Based on Data, Algorithms, and Evaluation
- arxiv url: http://arxiv.org/abs/2407.18937v1
- Date: Wed, 10 Jul 2024 14:02:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-05 01:16:12.986472
- Title: Advancements in Recommender Systems: A Comprehensive Analysis Based on Data, Algorithms, and Evaluation
- Title（参考訳）: Recommender Systemsの進歩:データ、アルゴリズム、評価に基づく包括的分析
- Authors: Xin Ma, Mingyue Li, Xuguang Liu,
- Abstract要約: RSには、アルゴリズム改善、ドメインアプリケーション、ユーザの振る舞いと認識、データ処理とモデリング、社会的影響と倫理の5つの主要な研究トピックが含まれている。
コールドスタート、データスパシティ、データ中毒といったデータ関連の問題、関心の漂流、デバイスとクラウドのコラボレーション、非因果駆動、マルチタスクの競合といったアルゴリズム上の問題には、顕著な影響がある。
収集された文献は主に主要な国際データベースに基づいており、今後の研究は今後さらに拡大していく予定である。
- 参考スコア（独自算出の注目度）: 4.688390900531895
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Using 286 research papers collected from Web of Science, ScienceDirect, SpringerLink, arXiv, and Google Scholar databases, a systematic review methodology was adopted to review and summarize the current challenges and potential future developments in data, algorithms, and evaluation aspects of RSs. It was found that RSs involve five major research topics, namely algorithmic improvement, domain applications, user behavior & cognition, data processing & modeling, and social impact & ethics. Collaborative filtering and hybrid recommendation techniques are mainstream. The performance of RSs is jointly limited by four types of eight data issues, two types of twelve algorithmic issues, and two evaluation issues. Notably, data-related issues such as cold start, data sparsity, and data poisoning, algorithmic issues like interest drift, device-cloud collaboration, non-causal driven, and multitask conflicts, along with evaluation issues such as offline data leakage and multi-objective balancing, have prominent impacts. Fusing physiological signals for multimodal modeling, defending against data poisoning through user information behavior, evaluating generative recommendations via social experiments, fine-tuning pre-trained large models to schedule device-cloud resource, enhancing causal inference with deep reinforcement learning, training multi-task models based on probability distributions, using cross-temporal dataset partitioning, and evaluating recommendation objectives across the full lifecycle are feasible solutions to address the aforementioned prominent challenges and unlock the power and value of RSs.The collected literature is mainly based on major international databases, and future research will further expand upon it.
- Abstract（参考訳）: Web of Science、ScienceDirect、SpringerLink、arXiv、Google Scholarデータベースから収集された286の研究論文を使用して、RSの現在の課題と将来の発展をレビューし、要約する体系的なレビュー手法が採用された。
RSには、アルゴリズム的改善、ドメインアプリケーション、ユーザの振る舞いと認識、データ処理とモデリング、社会的影響と倫理の5つの主要な研究トピックが含まれていることが判明した。
コラボレーションフィルタリングとハイブリッドレコメンデーション技術が主流である。
RSの性能は、4種類の8つのデータ問題、2種類の12のアルゴリズム問題、2つの評価問題で制約されている。
特に、コールドスタート、データスパーシリティ、データ中毒といったデータ関連の問題、関心の漂流、デバイスとクラウドのコラボレーション、非因果的駆動、マルチタスクの競合といったアルゴリズム上の問題、オフラインデータリークやマルチオブジェクトのバランシングといった評価上の問題に顕著な影響がある。
マルチモーダルモデリングのための生理的信号の融合、ユーザ情報行動によるデータ中毒に対する防御、社会実験による生成的推薦の評価、デバイスクラウドリソースのスケジューリングのための微調整済みの大規模モデルの評価、深層強化学習による因果推論の強化、確率分布に基づくマルチタスクモデルのトレーニング、時間的データセット分割の利用、全ライフサイクルにわたる推奨目的の評価は、上記のような顕著な課題に対処し、RSのパワーと価値を解き放つための実現可能なソリューションであり、今後の研究は、主に主要な国際データベースに基づいて行われる。
関連論文リスト
- Data Augmentation in Human-Centric Vision [54.97327269866757]
本研究では,人間中心型視覚タスクにおけるデータ拡張手法の包括的分析を行う。
それは、人物のReID、人間のパーシング、人間のポーズ推定、歩行者検出など、幅広い研究領域に展開している。
我々の研究は、データ拡張手法をデータ生成とデータ摂動の2つの主なタイプに分類する。
論文 参考訳（メタデータ） (2024-03-13T16:05:18Z) - Enhancing Human-like Multi-Modal Reasoning: A New Challenging Dataset
and Comprehensive Framework [51.44863255495668]
マルチモーダル推論は、人間のような知性を示す人工知能システムの追求において重要な要素である。
提案するマルチモーダル推論(COCO-MMR)データセットは,オープンエンド質問の集合を包含する新しいデータセットである。
画像とテキストエンコーダを強化するために,マルチホップ・クロスモーダル・アテンションや文レベルのコントラスト学習などの革新的な手法を提案する。
論文 参考訳（メタデータ） (2023-07-24T08:58:25Z) - Evaluation of Synthetic Datasets for Conversational Recommender Systems [0.0]
堅牢な評価フレームワークがないことは長年の問題だった。
ダウンストリームアプリケーションでは,トレーニングデータの質が重要なので,その質を評価する指標を開発することが重要である。
本稿では,生成モデルが生成したデータセットを評価するために,多面的アプローチを採用するフレームワークを提案する。
論文 参考訳（メタデータ） (2022-12-12T18:53:10Z) - Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。
疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。
また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
論文 参考訳（メタデータ） (2022-07-19T16:15:11Z) - Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。
我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
論文 参考訳（メタデータ） (2022-07-18T11:38:32Z) - CEDAR: Communication Efficient Distributed Analysis for Regressions [9.50726756006467]
患者レベルのデータを共有することなく、複数のEHRデータベース上での分散学習への関心が高まっている。
本稿では,局所的な最適推定値を集約する通信効率のよい新しい手法を提案する。
本稿では,統計的推測法と差分プライバシーに関する理論的検討を行い,シミュレーションおよび実データ解析におけるその性能評価を行う。
論文 参考訳（メタデータ） (2022-07-01T09:53:44Z) - Predicting Seriousness of Injury in a Traffic Accident: A New Imbalanced
Dataset and Benchmark [62.997667081978825]
本稿では,交通事故における傷害の重大性を予測するために,機械学習アルゴリズムの性能を評価する新しいデータセットを提案する。
データセットは、英国運輸省から公開されているデータセットを集約することで作成される。
論文 参考訳（メタデータ） (2022-05-20T21:15:26Z) - An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。
本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
論文 参考訳（メタデータ） (2021-08-09T17:39:09Z) - Big Data Analytics Applying the Fusion Approach of Multicriteria
Decision Making with Deep Learning Algorithms [0.0]
複数基準に基づく意思決定は、ビッグデータ分析における代替効果に関連する様々な問題に対して解決すべき重要な問題の1つである。
意思決定のようなアルゴリズムや、マルチ基準に基づくディープラーニングメカニズムを含む、最新の機械学習技術に基づくソリューションを見つける傾向があります。
本質的には、ビジネス、農業、情報技術、コンピュータ科学を含むいくつかの分野は、深層学習と多基準に基づく意思決定問題を使用する。
論文 参考訳（メタデータ） (2021-02-02T05:56:03Z) - Recommender Systems Based on Generative Adversarial Networks: A
Problem-Driven Perspective [27.11589218811911]
GAN(Generative Adversarial Network)は、複雑な実データ分布を学習する能力の強いため、多くの分野への関心が高まっている。
本稿では,これらのモデルの分類と,それらの詳細な記述と利点を提案する。
論文 参考訳（メタデータ） (2020-03-05T08:05:38Z)
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。