論文の概要: Improving GenIR Systems Based on User Feedback

• arxiv url: http://arxiv.org/abs/2501.02838v1
• Date: Mon, 06 Jan 2025 08:32:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-07 17:05:17.595840
• Title: Improving GenIR Systems Based on User Feedback
• Title（参考訳）: ユーザフィードバックに基づくGenIRシステムの改善
• Authors: Qingyao Ai, Zhicheng Dou, Min Zhang,
• Abstract要約: 本章では,ユーザフィードバックに基づくGenIRシステムの改善方法について論じる。 GenIRのユーザフィードバックから学ぶさまざまな方法が紹介されている。
• 参考スコア（独自算出の注目度）: 37.87680225807604
• License:
• Abstract: In this chapter, we discuss how to improve the GenIR systems based on user feedback. Before describing the approaches, it is necessary to be aware that the concept of "user" has been extended in the interactions with the GenIR systems. Different types of feedback information and strategies are also provided. Then the alignment techniques are highlighted in terms of objectives and methods. Following this, various ways of learning from user feedback in GenIR are presented, including continual learning, learning and ranking in the conversational context, and prompt learning. Through this comprehensive exploration, it becomes evident that innovative techniques are being proposed beyond traditional methods of utilizing user feedback, and contribute significantly to the evolution of GenIR in the new era. We also summarize some challenging topics and future directions that require further investigation.
• Abstract（参考訳）: 本章では,ユーザフィードバックに基づくGenIRシステムの改善方法について論じる。 アプローチを説明する前には、GenIRシステムとのインタラクションにおいて「ユーザ」の概念が拡張されていることに注意する必要がある。 フィードバック情報や戦略の異なるタイプも提供される。 次に、アライメントテクニックを目的と方法の観点から強調する。 その後、継続学習、会話の文脈での学習とランキング、迅速な学習など、GenIRのユーザフィードバックから学ぶ様々な方法が提示される。 この包括的探索を通じて、ユーザフィードバックを利用する従来の手法を超えて革新的な技術が提案されていることが明らかとなり、新時代のGenIRの発展に大きく貢献している。 さらに,さらなる調査を必要とする課題や今後の方向性についてもまとめる。

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)
• You're (Not) My Type -- Can LLMs Generate Feedback of Specific Types for Introductory Programming Tasks? [0.4779196219827508]
  本稿では,Large Language Models (LLM) を用いたプログラミングタスクに対して,特定のタイプのフィードバックを生成することを目的とする。 既存のフィードバックを見直して、ランダム性、不確実性、変動度などの、生成されたフィードバックの特異性を捉える。 結果は、例えば、フィードバック効果や学習者の情報的ニーズに関する将来のフィードバック研究に影響を及ぼす。
  論文  参考訳（メタデータ） (2024-12-04T17:57:39Z)
• RAMO: Retrieval-Augmented Generation for Enhancing MOOCs Recommendations [0.5064404027153093]
  RAMOは、従来のコースレコメンデータシステムにおけるコールドスタートの課題を克服するために設計されたシステムである。 RAMOシステムは、LLMの能力と、Retrieval-Augmented Generation (RAG)-facilitated contextual understandingを活用する。
  論文  参考訳（メタデータ） (2024-07-06T02:22:25Z)
• 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)
• 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)
• 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)
• Simulating Bandit Learning from User Feedback for Extractive Question Answering [51.97943858898579]
  教師付きデータを用いたフィードバックのシミュレーションにより,ユーザフィードバックからの学習を抽出的質問応答に適用する。 当初は少数の例でトレーニングしたシステムが,モデル予測された回答に対するユーザからのフィードバックを劇的に改善できることが示される。
  論文  参考訳（メタデータ） (2022-03-18T17:47:58Z)
• Learning from a Learning User for Optimal Recommendations [43.2268992294178]
  我々は「学習ユーザ」を捕捉し、効率的なシステム側学習ソリューションを設計するためのモデルを定式化する。 ユーザ学習の収束率が悪化するにつれて,RAESの後悔は良好に悪化することを示す。 本研究は,リコメンデーション問題におけるフィードバックループのモデル化に関する新たな視点を提供する。
  論文  参考訳（メタデータ） (2022-02-03T22:45:12Z)
• KnowledgeCheckR: Intelligent Techniques for Counteracting Forgetting [52.623349754076024]
  KnowledgeCheckRに統合された推奨アプローチの概要を提供します。 その例としては,将来的に繰り返される学習内容の識別を支援するユーティリティベースのレコメンデーション,セッションベースのレコメンデーションを実装するための協調フィルタリングアプローチ,インテリジェントな質問応答を支援するコンテントベースのレコメンデーションなどがある。
  論文  参考訳（メタデータ） (2021-02-15T20:06:28Z)

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。