論文の概要: Recommender Systems for Good (RS4Good): Survey of Use Cases and a Call to Action for Research that Matters

• arxiv url: http://arxiv.org/abs/2411.16645v1
• Date: Mon, 25 Nov 2024 18:27:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:25:02.686210
• Title: Recommender Systems for Good (RS4Good): Survey of Use Cases and a Call to Action for Research that Matters
• Title（参考訳）: 商品レコメンダシステム(RS4Good):利用事例調査と研究への取り組み
• Authors: Dietmar Jannach, Alan Said, Marko Tkalčič, Markus Zanker,
• Abstract要約: 我々は、推薦システムは社会的善(RS4Good)に寄与すべきだと主張する。 本稿ではまず,社会問題問題に対するレコメンデータシステムの利用が,文献で成功を収めた事例について論じる。 次に、RS4Goodの研究を成功させるために必要となるパラダイムシフトを概説する。
• 参考スコア（独自算出の注目度）: 7.286158751737711
• License:
• Abstract: In the area of recommender systems, the vast majority of research efforts is spent on developing increasingly sophisticated recommendation models, also using increasingly more computational resources. Unfortunately, most of these research efforts target a very small set of application domains, mostly e-commerce and media recommendation. Furthermore, many of these models are never evaluated with users, let alone put into practice. The scientific, economic and societal value of much of these efforts by scholars therefore remains largely unclear. To achieve a stronger positive impact resulting from these efforts, we posit that we as a research community should more often address use cases where recommender systems contribute to societal good (RS4Good). In this opinion piece, we first discuss a number of examples where the use of recommender systems for problems of societal concern has been successfully explored in the literature. We then proceed by outlining a paradigmatic shift that is needed to conduct successful RS4Good research, where the key ingredients are interdisciplinary collaborations and longitudinal evaluation approaches with humans in the loop.
• Abstract（参考訳）: レコメンデーターシステムの分野では、研究の大部分が高度なレコメンデーションモデルの開発に費やされている。 残念なことに、これらの研究はほとんどが、非常に小さなアプリケーションドメイン、主にeコマースとメディアレコメンデーションをターゲットにしています。 さらに、これらのモデルの多くはユーザーによって評価されることはない。 したがって、これらの努力の多くは科学的、経済的、社会的な価値であり、研究者によるものである。 これらの取り組みによる強いポジティブな影響を達成するため、我々は研究コミュニティとして、リコメンダ制度が社会的善(RS4Good)に寄与するユースケースに対処すべきであると仮定する。 本稿では,まず,社会問題問題に対するレコメンデータシステムの利用が,文献における研究に成功している事例について論じる。 次に、RS4Goodの研究を成功させるために必要となるパラダイムシフトを概説し、そこで重要な要素は、学際的なコラボレーションと、ループ内の人間との縦断的な評価アプローチである。

関連論文リスト

• Generative Large Recommendation Models: Emerging Trends in LLMs for Recommendation [85.52251362906418]
  このチュートリアルでは、大規模言語モデル(LLM)を統合するための2つの主要なアプローチを探求する。 これは、最近の進歩、課題、潜在的研究の方向性を含む、生成的な大規模なレコメンデーションモデルの包括的な概要を提供する。 主なトピックは、データ品質、スケーリング法則、ユーザの行動マイニング、トレーニングと推論の効率性である。
  論文  参考訳（メタデータ） (2025-02-19T14:48:25Z)
• A Worrying Reproducibility Study of Intent-Aware Recommendation Models [12.339884639594626]
  我々は、トップレベルのアウトレットで発行された5つの現代IARSモデルを再現しようと試みている。 従来の非神経レコメンデーションモデルと比較した。 さらに悪いことに、検討されたすべてのIARSアプローチは、少なくとも1つの伝統的なモデルによって一貫して性能が向上していることがわかった。
  論文  参考訳（メタデータ） (2025-01-17T12:11:46Z)
• A Comprehensive Review of Recommender Systems: Transitioning from Theory to Practice [5.564583287027287]
  Recommender Systems(RS)は、パーソナライズされたアイテムの提案を提供することで、ユーザーエクスペリエンスを高める上で重要な役割を果たす。 この調査は、2017年から2024年までのRSの進歩を包括的にレビューする。 それは、eコマース、ヘルスケア、金融など、さまざまな分野の課題に対処する。
  論文  参考訳（メタデータ） (2024-07-18T17:00:53Z)
• ResearchAgent: Iterative Research Idea Generation over Scientific Literature with Large Language Models [56.08917291606421]
  ResearchAgentは、新しい作品のアイデアと運用のためのAIベースのシステムである。 ResearchAgentは、新しい問題を自動で定義し、手法と設計実験を提案し、繰り返し修正する。 我々は、複数の分野にわたる科学論文に関するResearchAgentを実験的に検証した。
  論文  参考訳（メタデータ） (2024-04-11T13:36:29Z)
• Provable Benefits of Policy Learning from Human Preferences in Contextual Bandit Problems [82.92678837778358]
  嗜好に基づく手法は、InstructGPTのような経験的応用でかなりの成功を収めている。 フィードバックモデリングにおける人間のバイアスと不確実性がこれらのアプローチの理論的保証にどのように影響するかを示す。
  論文  参考訳（メタデータ） (2023-07-24T17:50:24Z)
• Biases in Scholarly Recommender Systems: Impact, Prevalence, and Mitigation [0.0]
  学術推薦システムのバイアスを分解し、その影響と頻度に応じて特徴付ける。 研究者や開発者が学術推薦システムにおけるバイアスを軽減するために使用できるフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-18T12:53:28Z)
• Fairness in Recommender Systems: Research Landscape and Future Directions [119.67643184567623]
  本稿は,近年の地域におけるフェアネスの概念と概念について概観する。 この分野での研究が現在どのように行われているのかを概観する。 全体として、最近の研究成果の分析は、ある研究のギャップを示している。
  論文  参考訳（メタデータ） (2022-05-23T08:34:25Z)
• Advances and Challenges in Conversational Recommender Systems: A Survey [133.93908165922804]
  現在の会話レコメンダーシステム(CRS)で使用されるテクニックの体系的なレビューを提供します。 CRS開発の主な課題を5つの方向にまとめます。 これらの研究の方向性は、情報検索(IR)、自然言語処理(NLP)、人間とコンピュータの相互作用(HCI)などの複数の研究分野を含みます。
  論文  参考訳（メタデータ） (2021-01-23T08:53:15Z)
• Reinforcement Learning for Strategic Recommendations [32.73903761398027]
  ストラテジックレコメンデーション(SR)とは、知的エージェントがユーザのシーケンシャルな行動や活動を観察し、いつ、どのように相互作用するかを決めて、ユーザとビジネスの両方の長期的な目的を最適化する問題を指す。 Adobeリサーチでは、関心点の推薦、チュートリアルレコメンデーション、マルチメディア編集ソフトウェアにおける次のステップガイダンス、ライフタイムバリューの最適化のための広告レコメンデーションなど、さまざまなユースケースでこのようなシステムを実装してきました。 ユーザのシーケンシャルな振る舞いをモデル化したり、いつ介入するかを決め、ユーザに迷惑をかけずにレコメンデーションを提示したり、オフラインでポリシーを評価するなど、これらのシステム構築には多くの研究課題がある。
  論文  参考訳（メタデータ） (2020-09-15T20:45:48Z)
• 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。