論文の概要: Creator-Side Recommender System: Challenges, Designs, and Applications
- arxiv url: http://arxiv.org/abs/2502.20497v1
- Date: Tue, 25 Feb 2025 03:41:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-03 13:42:47.246993
- Title: Creator-Side Recommender System: Challenges, Designs, and Applications
- Title（参考訳）: クリエータ側レコメンダシステム:課題,設計,応用
- Authors: Xiaoshuang Chen, Yibo Wang, Yao Wang, Husheng Liu, Kaiqiao Zhan, Ben Wang, Kun Gai,
- Abstract要約: 私たちは、DualRecと呼ばれるクリエーター側のレコメンデーションシステムを開発し、質問に答える: クリエーターのエクスペリエンスを高めるために、各アイテムに最も適したユーザーを見つけるにはどうすればよいか?
検索アルゴリズムやランキングアルゴリズムのような典型的なユーザ側推薦アルゴリズムは、わずかに修正を加えるだけでクリエーター側バージョンに適応できることを示す。
ユーザ側レコメンデータシステムには存在しないユーザアベイラビリティ問題であるDualRecのユニークな課題について論じる。
- 参考スコア（独自算出の注目度）: 24.424800467789307
- License:
- Abstract: Users and creators are two crucial components of recommender systems. Typical recommender systems focus on the user side, providing the most suitable items based on each user's request. In such scenarios, a few items receive a majority of exposures, while many items receive very few. This imbalance leads to poorer experiences and decreased activity among the creators receiving less feedback, harming the recommender system in the long term. To this end, we develop a creator-side recommender system, called DualRec, to answer the following question: how to find the most suitable users for each item to enhance the creators' experience? We show that typical user-side recommendation algorithms, such as retrieval and ranking algorithms, can be adapted into the creator-side versions with just a few modifications. This greatly simplifies algorithm design in DualRec. Moreover, we discuss a unique challenge in DualRec: the user availability issue, which is not present in user-side recommender systems. To tackle this issue, we incorporate a user availability calculation (UAC) module to effectively enhance DualRec's performance. DualRec has already been implemented in Kwai, a short video recommendation system with over 100 millions user and over 10 million creators, significantly improving the experience for creators.
- Abstract（参考訳）: ユーザとクリエーターはレコメンデーションシステムの2つの重要なコンポーネントである。
通常、レコメンデータシステムはユーザ側に集中し、各ユーザの要求に基づいて最も適切なアイテムを提供する。
このようなシナリオでは、いくつかのアイテムが露出の大部分を受け取り、多くのアイテムが非常に少ない。
この不均衡は、より貧弱な経験と、より少ないフィードバックを受けるクリエーターのアクティビティを減少させ、長期的なレコメンデーターシステムに害を与えます。
この目的のために、我々はDualRecと呼ばれるクリエーター側のレコメンデーションシステムを開発し、以下の質問に答える。
検索アルゴリズムやランキングアルゴリズムのような典型的なユーザ側推薦アルゴリズムは、わずかに修正を加えるだけでクリエーター側バージョンに適応できることを示す。
これはDualRecにおけるアルゴリズム設計を大幅に単純化する。
さらに,ユーザ側レコメンデータシステムには存在しないユーザアベイラビリティの問題であるDualRecのユニークな課題についても論じる。
この問題に対処するため,ユーザアベイラビリティ計算(UAC)モジュールを組み込んで,DualRecの性能を効果的に向上する。
DualRecはすでに1億人以上のユーザーと1000万人以上のクリエーターからなる短いビデオレコメンデーションシステムであるKwaiで実装されており、クリエーターの体験を大幅に改善している。
関連論文リスト
- A Large Language Model Enhanced Sequential Recommender for Joint Video and Comment Recommendation [77.42486522565295]
我々は、パーソナライズされたビデオとコメントのレコメンデーションを共同で行うLSVCRと呼ばれる新しいレコメンデーション手法を提案する。
提案手法は,逐次レコメンデーション(SR)モデルと補足型大規模言語モデル(LLM)レコメンデーションという2つの重要なコンポーネントから構成される。
特に、コメント視聴時間の4.13%が大幅に向上した。
論文 参考訳（メタデータ） (2024-03-20T13:14:29Z) - RecRec: Algorithmic Recourse for Recommender Systems [41.97186998947909]
特定の予測やレコメンデーションを行う上で、すべての利害関係者がモデルの理論的根拠を理解することが不可欠です。
これは、リコメンデーションシステムに依存するコンテンツプロバイダにとって特に当てはまります。
本稿では,コンテンツ提供者を対象としたレコメンデーションシステムのためのレコメンデーションフレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-28T22:26:50Z) - DRIFT: A Federated Recommender System with Implicit Feedback on the
Items [0.0]
DRIFTは、暗黙のフィードバックを使用してレコメンデーションシステムのための連合アーキテクチャである。
我々の学習モデルは、暗黙のフィードバックSAROSを用いた最近のアルゴリズムに基づく。
我々のアルゴリズムは安全であり、当社のフェデレーションシステムの参加者は、ユーザによるインタラクションを推測できない。
論文 参考訳（メタデータ） (2023-04-17T13:12:33Z) - Dual Personalization on Federated Recommendation [50.4115315992418]
フェデレートされたレコメンデーションは、フェデレーションされた設定でプライバシを保存するレコメンデーションサービスを提供することを目的とした、新しいインターネットサービスアーキテクチャである。
本稿では,ユーザ固有の軽量モデルの多くを学習するためのPersonalized Federated Recommendation(PFedRec)フレームワークを提案する。
また、ユーザとアイテムの両方の詳細なパーソナライズを効果的に学習するための、新しい二重パーソナライズ機構を提案する。
論文 参考訳（メタデータ） (2023-01-16T05:26:07Z) - Breaking Feedback Loops in Recommender Systems with Causal Inference [99.22185950608838]
近年の研究では、フィードバックループが推奨品質を損なう可能性があり、ユーザの振る舞いを均質化している。
本稿では、因果推論を用いてフィードバックループを確実に破壊するアルゴリズムCAFLを提案する。
従来の補正手法と比較して,CAFLは推奨品質を向上することを示す。
論文 参考訳（メタデータ） (2022-07-04T17:58:39Z) - Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。
本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。
我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
論文 参考訳（メタデータ） (2022-07-04T17:49:25Z) - Developing a Conversational Recommendation System for Navigating Limited
Options [0.0]
我々は,ユーザが最適な選択肢を見つけるために,限られた選択肢をナビゲートするのに役立つような対話型レコメンデーションシステムを開発した。
特定の検索語を用いて数千からランク付けされたオプションのリストを返す多くのインターネットスケールシステムとは異なり、本システムはユーザの好みを深く理解するためにマルチターンユーザーダイアログを使用する。
論文 参考訳（メタデータ） (2021-04-13T23:46:10Z) - Measuring Recommender System Effects with Simulated Users [19.09065424910035]
人気バイアスとフィルターバブルは、最もよく研究されているシステムバイアスの2つです。
各種ユーザ行動下におけるレコメンダーシステムの影響を測定するためのシミュレーションフレームワークを提供します。
論文 参考訳（メタデータ） (2021-01-12T14:51:11Z) - Regret in Online Recommendation Systems [73.58127515175127]
本稿では,オンライン環境におけるレコメンデーションシステムの理論的分析について提案する。
各ラウンドにおいて、ユーザがランダムに$m$ユーザから選択され、レコメンデーションが要求される。決定者は、ユーザを観察し、$n$アイテムのカタログからアイテムを選択する。
推奨アルゴリズムのパフォーマンスは、これらの可能性を認識したOracleアルゴリズムを参照して、その後悔を通じて取得される。
論文 参考訳（メタデータ） (2020-10-23T12:48:35Z) - Contextual User Browsing Bandits for Large-Scale Online Mobile
Recommendation [24.810164687987243]
より高い位置は、1つの商品のクリック数を増やす。
まずは推奨アイテムがいくつか表示され、ユーザーは他のアイテムを閲覧するために画面をスライドする必要がある。
後付けの推奨項目はユーザには見られず、このような項目を否定的な例として扱うのは適切ではない。
論文 参考訳（メタデータ） (2020-08-21T08:22:30Z) - Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。
我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。
私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
論文 参考訳（メタデータ） (2020-05-19T10:18:43Z)
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。