論文の概要: Analysis and Design of a Personalized Recommendation System Based on a Dynamic User Interest Model

• arxiv url: http://arxiv.org/abs/2410.09923v1
• Date: Sun, 13 Oct 2024 17:08:16 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-30 04:13:22.685204
• Title: Analysis and Design of a Personalized Recommendation System Based on a Dynamic User Interest Model
• Title（参考訳）: 動的ユーザ関心モデルに基づくパーソナライズされたレコメンデーションシステムの解析と設計
• Authors: Chunyan Mao, Shuaishuai Huang, Mingxiu Sui, Haowei Yang, Xueshe Wang,
• Abstract要約: 本稿では,動的ユーザ関心モデルに基づくパーソナライズされたレコメンデーションシステムの設計と分析を行う。 このシステムは、ユーザの行動データをキャプチャし、動的なユーザ関心モデルを構築し、複数のレコメンデーションアルゴリズムを組み合わせて、パーソナライズされたコンテンツをユーザに提供します。
• 参考スコア（独自算出の注目度）: 0.3495246564946556
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the rapid development of the internet and the explosion of information, providing users with accurate personalized recommendations has become an important research topic. This paper designs and analyzes a personalized recommendation system based on a dynamic user interest model. The system captures user behavior data, constructs a dynamic user interest model, and combines multiple recommendation algorithms to provide personalized content to users. The research results show that this system significantly improves recommendation accuracy and user satisfaction. This paper discusses the system's architecture design, algorithm implementation, and experimental results in detail and explores future research directions.
• Abstract（参考訳）: インターネットの急速な発展と情報の爆発により、利用者に正確なパーソナライズされたレコメンデーションを提供することが重要な研究トピックとなっている。 本稿では,動的ユーザ関心モデルに基づくパーソナライズされたレコメンデーションシステムの設計と分析を行う。 このシステムは、ユーザの行動データをキャプチャし、動的なユーザ関心モデルを構築し、複数のレコメンデーションアルゴリズムを組み合わせて、パーソナライズされたコンテンツをユーザに提供します。 その結果,提案システムは推薦精度とユーザ満足度を大幅に向上させることがわかった。 本稿では,システムのアーキテクチャ設計,アルゴリズムの実装,実験結果について詳述し,今後の研究方向性について検討する。

関連論文リスト

• Quantifying User Coherence: A Unified Framework for Cross-Domain Recommendation Analysis [69.37718774071793]
  本稿では,レコメンデーションシステムを理解するための新しい情報理論手法を提案する。 9つのデータセットで7つのレコメンデーションアルゴリズムを評価し、測定値と標準的なパフォーマンス指標の関係を明らかにする。
  論文  参考訳（メタデータ） (2024-10-03T13:02:07Z)
• Deep Adaptive Interest Network: Personalized Recommendation with Context-Aware Learning [0.3495246564946556]
  本稿では,Deep Adaptive Interest Network(DAIN)と呼ばれる新しいモデルを提案する。 DAINはユーザの興味を動的にモデル化し、コンテキスト認識学習機構を導入し、正確で適応的なパーソナライズされたレコメンデーションを実現する。 いくつかの公開データセットで実施された実験は、DAINが推奨性能と計算効率の両方で優れていることを示した。
  論文  参考訳（メタデータ） (2024-09-04T04:12:22Z)
• Scalable recommender system based on factor analysis [43.859366451674155]
  本稿では,確率効果モデルと因子分析に着目し,レコメンデータシステムの統計モデルについて検討する。 ランダム・スロープを含むランダム・エフェクト・モデルを拡張し、ユーザやアイテム間で異なる共変量効果のキャプチャを可能にする。 また、リコメンデータシステムにおける因子分析の利用、特に不完全データの設定について検討する。
  論文  参考訳（メタデータ） (2024-08-12T02:18:42Z)
• Making Recommender Systems More Knowledgeable: A Framework to Incorporate Side Information [5.033504076393256]
  本稿では,商品別サイド情報をレコメンダシステムに組み込んでパフォーマンスを高めるための汎用フレームワークを提案する。 副次的な情報により、我々の推薦システムは最先端のモデルよりもかなりのマージンで優れていることを示す。 また、リコメンデータシステムで使用される注意機構を標準化し、モデル性能への影響を評価するために、新しいタイプの損失を提案する。
  論文  参考訳（メタデータ） (2024-06-02T04:33:52Z)
• Understanding User Intent Modeling for Conversational Recommender Systems: A Systematic Literature Review [1.3630870408844922]
  我々は,会話レコメンデーションシステムの設計によく使用されるモデルについて,系統的な文献レビューを行った。 我々は,研究者がシステムに最も適したモデルを選択するのを支援するための意思決定モデルを開発した。 本研究は,より効果的でパーソナライズされた対話型レコメンデーションシステムの開発を支援する,ユーザ意図モデリングの実践的洞察と包括的理解に寄与する。
  論文  参考訳（メタデータ） (2023-08-05T22:50:21Z)
• Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
  逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。 しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。 したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
  論文  参考訳（メタデータ） (2022-11-17T19:00:24Z)
• Modeling User Behaviour in Research Paper Recommendation System [8.980876474818153]
  ディープシーケンシャルなトピック分析に基づくユーザ意図モデルを提案する。 モデルは、興味のあるトピックの観点から、ユーザの意図を予測する。 提案手法では,研究論文推薦システムの設計に適したユーザアクティビティをモデル化する新たなロードマップを提案する。
  論文  参考訳（メタデータ） (2021-07-16T11:31:03Z)
• PURS: Personalized Unexpected Recommender System for Improving User Satisfaction [76.98616102965023]
  本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。 3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-06-05T01:33:21Z)
• 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)
• MetaSelector: Meta-Learning for Recommendation with User-Level Adaptive Model Selection [110.87712780017819]
  推薦システムにおけるユーザレベルの適応モデル選択を容易にするメタラーニングフレームワークを提案する。 2つのパブリックデータセットと実世界のプロダクションデータセットで実験を行います。
  論文  参考訳（メタデータ） (2020-01-22T16:05:01Z)

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。