論文の概要: A Comprehensive Survey on Retrieval Methods in Recommender Systems

• arxiv url: http://arxiv.org/abs/2407.21022v1
• Date: Thu, 11 Jul 2024 07:09:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 19:45:55.208016
• Title: A Comprehensive Survey on Retrieval Methods in Recommender Systems
• Title（参考訳）: Recommender システムにおける検索手法に関する総合的調査
• Authors: Junjie Huang, Jizheng Chen, Jianghao Lin, Jiarui Qin, Ziming Feng, Weinan Zhang, Yong Yu,
• Abstract要約: 本調査では,レコメンデータシステムの重要かつ見落とされがちな検索段階について検討する。 高精度かつ効率的なパーソナライズされた検索を実現するために,既存の作業を3つの重要な領域にまとめる。 特定の企業における検索実践のケーススタディを通じて、現在の産業応用を取り上げる。
• 参考スコア（独自算出の注目度）: 32.1847120460637
• License:
• Abstract: In an era dominated by information overload, effective recommender systems are essential for managing the deluge of data across digital platforms. Multi-stage cascade ranking systems are widely used in the industry, with retrieval and ranking being two typical stages. Retrieval methods sift through vast candidates to filter out irrelevant items, while ranking methods prioritize these candidates to present the most relevant items to users. Unlike studies focusing on the ranking stage, this survey explores the critical yet often overlooked retrieval stage of recommender systems. To achieve precise and efficient personalized retrieval, we summarize existing work in three key areas: improving similarity computation between user and item, enhancing indexing mechanisms for efficient retrieval, and optimizing training methods of retrieval. We also provide a comprehensive set of benchmarking experiments on three public datasets. Furthermore, we highlight current industrial applications through a case study on retrieval practices at a specific company, covering the entire retrieval process and online serving, along with practical implications and challenges. By detailing the retrieval stage, which is fundamental for effective recommendation, this survey aims to bridge the existing knowledge gap and serve as a cornerstone for researchers interested in optimizing this critical component of cascade recommender systems.
• Abstract（参考訳）: 情報過負荷に支配される時代において、デジタルプラットフォーム間のデータの希薄化を管理するために効果的なレコメンデータシステムは不可欠である。 マルチステージのカスケードランキングシステムは業界で広く使われており、検索とランキングは2つの典型的な段階である。 検索手法は、無関係な項目をフィルタリングするために膨大な候補を抽出し、ランキング手法はこれらの候補を優先し、最も関連性の高い項目をユーザに提示する。 ランク付け段階に焦点を当てた研究とは異なり、本調査では、レコメンダシステムの重要かつ見落とされがちな検索段階について調査する。 高精度で効率的なパーソナライズされた検索を実現するため,ユーザとアイテム間の類似性計算の改善,効率的な検索のための索引付け機構の強化,検索の学習方法の最適化という3つの重要な領域で既存の作業を要約した。 また、3つの公開データセットに対する総合的なベンチマーク実験も提供します。 さらに, ある企業における検索実践のケーススタディを通じて, 現在の産業応用を取り上げ, 検索プロセス全体とオンラインサービス, 実践的意義と課題について紹介する。 本研究は, 効果的なレコメンデーションの基盤となる検索段階を詳述することにより, 既存の知識ギャップを埋めることと, カスケードレコメンデータシステムのこの重要な構成要素を最適化することに関心のある研究者の基盤となることを目的としている。

関連論文リスト

• Online and Offline Evaluations of Collaborative Filtering and Content Based Recommender Systems [0.0]
  本研究では,イランにおける大規模レコメンデーションシステムの比較分析を行った。 このシステムは、コンテンツベース、協調フィルタリング、トレンドベース手法、ハイブリッドアプローチを用いた、ユーザベースおよびアイテムベースのレコメンデーションを採用している。 評価方法は,手動による評価,ヒットレート@kやnDCGなどの評価指標を含むオフラインテスト,クリックスルーレート(CTR)によるオンラインテストなどである。
  論文  参考訳（メタデータ） (2024-11-02T20:05:31Z)
• ERASE: Benchmarking Feature Selection Methods for Deep Recommender Systems [40.838320650137625]
  本稿では,Deep Recommender Systems(DRS)のためのフェースセレクションのための包括的bEnchmaRkであるERASEについて述べる。 ERASEは11種類の特徴選択手法を徹底的に評価し、従来のアプローチとディープラーニングアプローチの両方をカバーしている。 私たちのコードは簡単に再現できる。
  論文  参考訳（メタデータ） (2024-03-19T11:49:35Z)
• EASRec: Elastic Architecture Search for Efficient Long-term Sequential Recommender Systems [82.76483989905961]
  現在のSRS(Sequential Recommender Systems)は、計算とリソースの非効率に悩まされている。 我々は、効率的な長期シーケンスレコメンダシステム(EASRec)のための弾性アーキテクチャー探索を開発する。 EASRecは、入力データバッチから履歴情報を活用するデータ認識ゲートを導入し、レコメンデーションネットワークの性能を改善する。
  論文  参考訳（メタデータ） (2024-02-01T07:22:52Z)
• 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)
• Impression-Aware Recommender Systems [57.38537491535016]
  新たなデータソースは、レコメンデーションシステムの品質を改善する新しい機会をもたらす。 研究者はインプレッションを使ってユーザーの好みを洗練させ、推奨システム研究の現在の制限を克服することができる。 本稿ではインプレッションを用いたレコメンデーションシステムに関する体系的な文献レビューを行う。
  論文  参考訳（メタデータ） (2023-08-15T16:16:02Z)
• Exploration in two-stage recommender systems [79.50534282841618]
  2段階のレコメンデータシステムは、スケーラビリティと保守性のために業界で広く採用されている。 このセットアップの鍵となる課題は、各ステージの最適性能が最適なグローバルパフォーマンスを暗示していないことである。 そこで本研究では,ランクとノミネーター間の探索戦略を同期させる手法を提案する。
  論文  参考訳（メタデータ） (2020-09-01T16:52:51Z)
• Zero-Shot Heterogeneous Transfer Learning from Recommender Systems to Cold-Start Search Retrieval [30.95373255143698]
  本稿では,学習知識を推薦システムコンポーネントから伝達し,コンテンツプラットフォームの検索コンポーネントを改善するZero-Shot Heterogeneous Transfer Learningフレームワークを提案する。 弊社は、Googleから世界最大の検索とレコメンデーションシステムのひとつで、オンラインとオフラインで実験を行い、得られた結果と教訓を提示する。
  論文  参考訳（メタデータ） (2020-08-07T01:22:56Z)
• Deep Learning feature selection to unhide demographic recommender systems factors [63.732639864601914]
  行列分解モデルは意味的知識を含まない因子を生成する。 DeepUnHideは、協調フィルタリングレコメンデータシステムにおいて、ユーザとアイテムファクタから、人口統計情報を抽出することができる。
  論文  参考訳（メタデータ） (2020-06-17T17:36:48Z)
• A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
  我々は知識グラフに基づく推薦システムの体系的な調査を行う。 論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。 これらの作業で使用されるデータセットを紹介します。
  論文  参考訳（メタデータ） (2020-02-28T02:26:30Z)

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。