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: 翻訳完了
- システム内更新日: 2024-10-15 15:07:38.265783
- 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:
- 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
- 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) - 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) - 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) - A Personalized Recommender System Based-on Knowledge Graph Embeddings [0.0]
近年、知識グラフを情報モデリングの形式として利用することへの関心が高まっており、リコメンダシステムへの採用が増加している。
関連するユーザと関連するアイテムを知識グラフに組み込むことで、これらのシステムはそれらの間の暗黙のつながりをよりよく捉え、より正確なレコメンデーションを提供することができる。
論文 参考訳(メタデータ) (2023-07-20T08:14:06Z) - 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) - Augmenting Operations Research with Auto-Formulation of Optimization
Models from Problem Descriptions [7.469806460325306]
本稿では,操作研究におけるモデリング体験の簡素化と強化を目的とした人工知能システムについて述べる。
このシステムを用いて、ユーザはその記述に基づいて最適化問題の定式化を提案される。
このプロセスを容易にするために,ユーザによる提案の検証と編集を可能にする,直感的なユーザインタフェースシステムを構築した。
論文 参考訳(メタデータ) (2022-09-30T16:24:36Z) - 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 Neural Recommendation: From Collaborative Filtering to
Content and Context Enriched Recommendation [70.69134448863483]
レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。
近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
論文 参考訳(メタデータ) (2021-04-27T08:03:52Z) - 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。