論文の概要: PDSR: A Privacy-Preserving Diversified Service Recommendation Method on Distributed Data

• arxiv url: http://arxiv.org/abs/2408.15688v1
• Date: Wed, 28 Aug 2024 10:25:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 16:53:35.890707
• Title: PDSR: A Privacy-Preserving Diversified Service Recommendation Method on Distributed Data
• Title（参考訳）: PDSR: 分散データに基づくプライバシ保護型多様化型サービスレコメンデーション手法
• Authors: Lina Wang, Huan Yang, Yiran Shen, Chao Liu, Lianyong Qi, Xiuzhen Cheng, Feng Li,
• Abstract要約: 協調フィルタリングは、サービスレコメンデーションの最も一般的な方法の1つであり、既存の提案の多くは、レコメンデーションの正確性を改善することに焦点を当てている。 そこで我々は,新しい精度多様性尺度を提案し,精度多様性尺度を最大化して推奨する$K$サービスを選択するために2ドル近似を設計する。
• 参考スコア（独自算出の注目度）: 28.707528543904573
• License:
• Abstract: The last decade has witnessed a tremendous growth of service computing, while efficient service recommendation methods are desired to recommend high-quality services to users. It is well known that collaborative filtering is one of the most popular methods for service recommendation based on QoS, and many existing proposals focus on improving recommendation accuracy, i.e., recommending high-quality redundant services. Nevertheless, users may have different requirements on QoS, and hence diversified recommendation has been attracting increasing attention in recent years to fulfill users' diverse demands and to explore potential services. Unfortunately, the recommendation performances relies on a large volume of data (e.g., QoS data), whereas the data may be distributed across multiple platforms. Therefore, to enable data sharing across the different platforms for diversified service recommendation, we propose a Privacy-preserving Diversified Service Recommendation (PDSR) method. Specifically, we innovate in leveraging the Locality-Sensitive Hashing (LSH) mechanism such that privacy-preserved data sharing across different platforms is enabled to construct a service similarity graph. Based on the similarity graph, we propose a novel accuracy-diversity metric and design a $2$-approximation algorithm to select $K$ services to recommend by maximizing the accuracy-diversity measure. Extensive experiments on real datasets are conducted to verify the efficacy of our PDSR method.
• Abstract（参考訳）: 効率的なサービスレコメンデーション手法は、ユーザに高品質なサービスを推奨することを望んでいます。 協調フィルタリングはQoSに基づくサービスレコメンデーションの最も一般的な方法の1つであり、多くの既存の提案はレコメンデーションの精度を改善することに焦点を当てている。 しかしながら、ユーザはQoSに関する要件が異なるため、近年、ユーザのさまざまな要求を満たし、潜在的なサービスを探るため、さまざまな推奨が注目を集めている。 残念なことに、レコメンデーションパフォーマンスは大量のデータ(QoSデータなど)に依存しているのに対して、データは複数のプラットフォームに分散している可能性がある。 そこで本研究では,多種多様なサービスレコメンデーションのためのプラットフォーム間でのデータ共有を可能にするために,プライバシ保護の多様化サービスレコメンデーション(PDSR)手法を提案する。 具体的には、異なるプラットフォーム間でのプライバシ保護データ共有を可能とし、サービス類似性グラフを構築するために、Locality-Sensitive Hashing(LSH)メカニズムを活用することを革新する。 類似度グラフに基づいて、新しい精度多様性尺度を提案し、精度多様性尺度を最大化して推奨する$K$サービスを選択するために2ドル近似アルゴリズムを設計する。 PDSR法の有効性を検証するために, 実データに対する大規模な実験を行った。

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)
• Preference Diffusion for Recommendation [50.8692409346126]
  DMベースのレコメンデータに適した最適化対象であるPreferDiffを提案する。 PreferDiffは、BPRをログライクなランキング目標に変換することで、ユーザの好みをよりよく把握する。 これはDMベースのレコメンデーション向けに特別に設計された、パーソナライズされたランキングの損失である。
  論文  参考訳（メタデータ） (2024-10-17T01:02:04Z)
• Relevance meets Diversity: A User-Centric Framework for Knowledge Exploration through Recommendations [15.143224593682012]
  本稿では,コプラ関数による妥当性と多様性を組み合わせた新しいレコメンデーション戦略を提案する。 我々は,システムと対話しながらユーザから得た知識量のサロゲートとして多様性を利用する。 我々の戦略は、最先端のライバル数社を上回っている。
  論文  参考訳（メタデータ） (2024-08-07T13:48:24Z)
• DPAN: Dynamic Preference-based and Attribute-aware Network for Relevant Recommendations [3.4947076558586967]
  そこで本稿では,Click-Through Rate (CTR) を予測するために,Dynamic Preference-based and Attribute-aware Network (DPAN) と呼ばれる新しい手法を提案する。 DPANは、当社のeコマースプラットフォームに、関連するレコメンデーションのための主要なトラフィックを提供するために、うまくデプロイされています。
  論文  参考訳（メタデータ） (2023-08-21T07:26:09Z)
• Improving Recommendation System Serendipity Through Lexicase Selection [53.57498970940369]
  本稿では,レコメンデーションシステムにおけるエコーチャンバーとホモフィリーの存在を測定するための新しいセレンディピティー指標を提案する。 そこで我々は,レキシケース選択と呼ばれる親選択アルゴリズムを採用することにより,よく知られたレコメンデーション手法の多様性保存性の向上を試みる。 以上の結果から,レキシケースの選択とランキングの混合は,パーソナライゼーション,カバレッジ,セレンディピティー・ベンチマークにおいて,純粋にランク付けされている。
  論文  参考訳（メタデータ） (2023-05-18T15:37:38Z)
• Dynamic Resource Allocation for Metaverse Applications with Deep Reinforcement Learning [64.75603723249837]
  そこで本研究では,Metaverse アプリケーション用の異なるタイプのリソースを動的に管理・割り当てする新しいフレームワークを提案する。 まず,アプリケーション間で共通関数を共有できるMetaInstancesという,アプリケーションをグループに分割する効果的なソリューションを提案する。 そこで我々は,要求到着プロセスとアプリケーション離脱プロセスのリアルタイム,動的,不確実な特性を捉えるために,セミマルコフ決定プロセスに基づくフレームワークを開発する。
  論文  参考訳（メタデータ） (2023-02-27T00:30:01Z)
• Improving Recommendation Fairness via Data Augmentation [66.4071365614835]
  協調フィルタリングに基づくレコメンデーションは、すべてのユーザの過去の行動データからユーザの好みを学習し、意思決定を容易にするために人気がある。 ユーザの敏感な属性に応じて異なるユーザグループに対して等しく機能しない場合には,レコメンダシステムは不公平であると考えられる。 本稿では,データ拡張の観点から,レコメンデーションフェアネスを改善する方法について検討する。
  論文  参考訳（メタデータ） (2023-02-13T13:11:46Z)
• 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)
• GHRS: Graph-based Hybrid Recommendation System with Application to Movie Recommendation [0.0]
  本稿では,ユーザのレーティングの類似性に関連するグラフベースモデルを用いたレコメンデータシステムを提案する。 オートエンコーダの特徴抽出の利点を生かして,全ての属性を組み合わせて新しい特徴を抽出する。 The experimental results on the MovieLens dataset shows that the proposed algorithm developed many existing recommendation algorithm on recommendation accuracy。
  論文  参考訳（メタデータ） (2021-11-06T10:47:45Z)
• Choosing the Best of Both Worlds: Diverse and Novel Recommendations through Multi-Objective Reinforcement Learning [68.45370492516531]
  本稿では,Recommender Systems (RS) 設定のための拡張多目的強化学習(SMORL)を紹介する。 SMORLエージェントは、標準レコメンデーションモデルを拡張し、RLレイヤーを追加し、3つの主要な目的(正確性、多様性、新しいレコメンデーション)を同時に満たすように強制する。 実世界の2つのデータセットに対する実験結果から,集約的多様性の顕著な増加,精度の適度な向上,レコメンデーションの反復性の低下,および相補的目的としての多様性と新規性の強化の重要性が示された。
  論文  参考訳（メタデータ） (2021-10-28T13:22:45Z)
• Using Stable Matching to Optimize the Balance between Accuracy and Diversity in Recommendation [3.0938904602244355]
  多くのレコメンデーションドメインにおいて、集約的多様性(あるいはカタログカバレッジ)の増加はシステムレベルの重要な目標である。 集約の多様性を高める試みは、エンドユーザの推奨精度を低下させる。 本稿では,ユーザとアイテムの両ユーティリティを考慮した,双方向のポストプロセッシング手法を提案する。
  論文  参考訳（メタデータ） (2020-06-05T22:12:25Z)

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。