論文の概要: A Survey on Point-of-Interest Recommendation: Models, Architectures, and Security

• arxiv url: http://arxiv.org/abs/2410.02191v1
• Date: Thu, 3 Oct 2024 04:11:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-04 08:06:03.884241
• Title: A Survey on Point-of-Interest Recommendation: Models, Architectures, and Security
• Title（参考訳）: ポイント・オブ・インテンシブ・レコメンデーションに関する調査--モデル,アーキテクチャ,セキュリティ
• Authors: Qianru Zhang, Peng Yang, Junliang Yu, Haixin Wang, Xingwei He, Siu-Ming Yiu, Hongzhi Yin,
• Abstract要約: POI(Point-of-Interest)レコメンデーションシステムは、ユーザエクスペリエンスの充実、パーソナライズされたインタラクションの実現、デジタルランドスケープにおける意思決定プロセスの最適化に不可欠である。 従来のモデルから大規模言語モデルのような高度な技術への移行を体系的に検討する。 セキュリティの重要性の高まりに対処し、潜在的な脆弱性とプライバシ保護アプローチを調べます。
• 参考スコア（独自算出の注目度）: 40.18083295666298
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The widespread adoption of smartphones and Location-Based Social Networks has led to a massive influx of spatio-temporal data, creating unparalleled opportunities for enhancing Point-of-Interest (POI) recommendation systems. These advanced POI systems are crucial for enriching user experiences, enabling personalized interactions, and optimizing decision-making processes in the digital landscape. However, existing surveys tend to focus on traditional approaches and few of them delve into cutting-edge developments, emerging architectures, as well as security considerations in POI recommendations. To address this gap, our survey stands out by offering a comprehensive, up-to-date review of POI recommendation systems, covering advancements in models, architectures, and security aspects. We systematically examine the transition from traditional models to advanced techniques such as large language models. Additionally, we explore the architectural evolution from centralized to decentralized and federated learning systems, highlighting the improvements in scalability and privacy. Furthermore, we address the increasing importance of security, examining potential vulnerabilities and privacy-preserving approaches. Our taxonomy provides a structured overview of the current state of POI recommendation, while we also identify promising directions for future research in this rapidly advancing field.
• Abstract（参考訳）: スマートフォンや位置情報ベースのソーシャルネットワークの普及により、時空間データが非常に流入し、POI(Point-of-Interest)レコメンデーションシステムを強化するための例外のない機会が生まれている。 これらの先進的なPOIシステムは、ユーザエクスペリエンスの充実、パーソナライズされたインタラクションの実現、デジタルランドスケープにおける意思決定プロセスの最適化に不可欠である。 しかし、既存の調査では従来のアプローチに重点を置いている傾向があり、最先端の開発、新しいアーキテクチャ、そしてPOIレコメンデーションにおけるセキュリティ上の考慮事項に目を向ける人はほとんどいない。 このギャップに対処するため、私たちの調査では、POIレコメンデーションシステムの総合的かつ最新のレビューを提供し、モデル、アーキテクチャ、セキュリティ面の進歩をカバーしています。 従来のモデルから大規模言語モデルのような高度な技術への移行を体系的に検討する。 さらに,集中型から分散型およびフェデレーション型学習システムへのアーキテクチャ進化について検討し,スケーラビリティとプライバシの改善を強調した。 さらに,セキュリティの重要性の増大に対処し,潜在的な脆弱性とプライバシ保護アプローチを検討する。 我々の分類学は、POI勧告の現状を構造化した概要を提供し、また、この急速に進歩する分野における今後の研究の方向性も明らかにしている。

関連論文リスト

• A survey on secure decentralized optimization and learning [5.794084857284833]
  分散最適化は、データを集中化せずに大規模な意思決定問題を解決するための標準パラダイムとなっている。 このパラダイムは新たなプライバシとセキュリティリスクを導入し、悪意のあるエージェントがプライベートデータを推論したり、モデルの正確性を損なう可能性がある。 この調査は、これらの進歩に関する包括的なチュートリアルを提供する。
  論文  参考訳（メタデータ） (2024-08-16T09:42:19Z)
• A Survey on Intent-aware Recommender Systems [8.761638205244427]
  推薦システムは、ある時点にサービスを利用するというユーザの意図を考慮に入れることを目的としている。 本稿では,次世代のIntent-Aware Recommender Systemsを構築するための既存のアプローチを調査し,分類する。
  論文  参考訳（メタデータ） (2024-06-24T06:46:32Z)
• Diffusion-Based Cloud-Edge-Device Collaborative Learning for Next POI Recommendations [39.29562719543681]
  Next Point-of-Interest (POI)レコメンデーションは、履歴チェックインデータを活用して、ユーザの訪問する次のPOIを予測する。 従来の集中型ディープニューラルネットワーク(DNN)は、優れたPOIレコメンデーションパフォーマンスを提供するが、プライバシの懸念と制限されたタイムラインのため、課題に直面している。 プライバシとレコメンデーションのタイムラインを保証するために、フェデレートラーニング(FL)と分散アプローチを活用するオンデバイスPOIレコメンデーションが導入されている。 本稿では,新しい協調学習フレームワークであるDiffusion-based Cloud-Edge-Device Collaborative Learning for Next POI Recommendations (DCPR)を紹介する。
  論文  参考訳（メタデータ） (2024-05-22T16:41:23Z)
• 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)
• 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)
• A Unified View of Differentially Private Deep Generative Modeling [60.72161965018005]
  プライバシー上の懸念のあるデータには、データアクセスとデータ共有を頻繁に禁止する厳格な規制が伴う。 これらの障害を克服することは、プライバシーに敏感なデータを含む多くの現実世界のアプリケーションシナリオにおいて、技術的進歩の鍵となる。 差分的プライベート(DP)データパブリッシングは、データの衛生化された形式のみを公開する、魅力的なソリューションを提供する。
  論文  参考訳（メタデータ） (2023-09-27T14:38:16Z)
• 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)
• Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
  Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。 自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。 特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
  論文  参考訳（メタデータ） (2022-10-22T17:29:34Z)

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。