論文の概要: Leveraging the Dynamics of Leadership in Group Recommendation Systems

• arxiv url: http://arxiv.org/abs/2503.12877v1
• Date: Mon, 17 Mar 2025 07:16:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 15:58:35.526845
• Title: Leveraging the Dynamics of Leadership in Group Recommendation Systems
• Title（参考訳）: グループ勧告システムにおけるリーダーシップのダイナミクスの活用
• Authors: Peijin Yu, Shin'ichi Konomi,
• Abstract要約: グループレコメンデーションに新しいアプローチを導入し、特に共通の関心を共有する小グループに焦点をあてる。 グループ内の関係と信頼のダイナミクスを強調するレコメンデーションアルゴリズムを提案する。 この相互作用に焦点を当てたフレームワークは、最終的に推奨された選択によってグループ全体の満足度を高めることを目指している。
• 参考スコア（独自算出の注目度）: 0.11510009152620665
• License:
• Abstract: In the field of group recommendation systems (GRS), effectively addressing the diverse preferences of group members poses a significant challenge. Traditional GRS approaches often aggregate individual preferences into a collective group preference to generate recommendations, which may overlook the intricate interactions between group members. We introduce a novel approach to group recommendation, with a specific focus on small groups sharing common interests. In particular, we present a web-based restaurant recommendation system that enhances user satisfaction by modeling mutual interactions among group members. Drawing inspiration from group decision-making literature and leveraging graph theory, we propose a recommendation algorithm that emphasizes the dynamics of relationships and trust within the group. By representing group members as nodes and their interactions as directed edges, the algorithm captures pairwise relationships to foster consensus and improve the alignment of recommendations with group preferences. This interaction-focused framework ultimately seeks to enhance overall group satisfaction with the recommended choices.
• Abstract（参考訳）: グループレコメンデーションシステム(GRS)の分野では、グループメンバーの多様な好みに効果的に対処することが大きな課題となっている。 従来のGRSアプローチでは、個々の好みをグループに集約してレコメンデーションを生成し、グループメンバー間の複雑な相互作用を見落としてしまうことがある。 グループレコメンデーションに新しいアプローチを導入し、特に共通の関心を共有する小グループに焦点をあてる。 特に,グループメンバー間の相互作用をモデル化することで,ユーザ満足度を高めるWebベースのレストラン推薦システムを提案する。 グループ意思決定の文献からインスピレーションを得てグラフ理論を活用することにより,グループ内の関係や信頼のダイナミクスを強調する推薦アルゴリズムを提案する。 グループメンバーをノードとして表現し、その相互作用を有向エッジとして表現することで、アルゴリズムはペアワイズな関係を捉え、コンセンサスを育み、グループ選好とレコメンデーションのアライメントを改善する。 この相互作用に焦点を当てたフレームワークは、最終的に推奨された選択によってグループ全体の満足度を高めることを目指している。

関連論文リスト

• Leveraging Member-Group Relations via Multi-View Graph Filtering for Effective Group Recommendation [7.787211625411271]
  Group-GFは、多視点グラフ(GF)による各グループとの類似性の極めて高速なレコメンデーションのための新しいアプローチである 本稿では,Group-GFがランタイムを大幅に削減し,最先端のレコメンデーション精度を実現することを示す。
  論文  参考訳（メタデータ） (2025-02-13T08:05:14Z)
• Online Clustering of Dueling Bandits [59.09590979404303]
  本稿では、優先フィードバックに基づく協調的な意思決定を可能にするために、最初の「デュエルバンディットアルゴリズムのクラスタリング」を導入する。 本稿では,(1)ユーザ報酬関数をコンテキストベクトルの線形関数としてモデル化する線形デューリング帯域のクラスタリング(COLDB)と,(2)ニューラルネットワークを用いて複雑な非線形ユーザ報酬関数をモデル化するニューラルデューリング帯域のクラスタリング(CONDB)の2つの新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-04T07:55:41Z)
• Reason4Rec: Large Language Models for Recommendation with Deliberative User Preference Alignment [69.11529841118671]
  本稿では,ユーザの嗜好に関する明確な推論を新たなアライメント目標として組み込んだ,新たなDeliberative Recommendationタスクを提案する。 次にReasoningを利用したRecommenderフレームワークを導入する。
  論文  参考訳（メタデータ） (2025-02-04T07:17:54Z)
• GPRec: Bi-level User Modeling for Deep Recommenders [45.38687843911628]
  GPRecは学習可能な方法でユーザをグループに分類し、それに対応するグループ埋め込みと整合させる。 個人レベルでは、GPRecはIDのような特徴から個人の好みを識別し、得られた個人表現をグループから独立したものに洗練する。 3つの公開データセット上でのGPRecの厳格なテストでは、推奨品質が大幅に改善されている。
  論文  参考訳（メタデータ） (2024-10-28T04:49:05Z)
• AlignGroup: Learning and Aligning Group Consensus with Member Preferences for Group Recommendation [7.8148534870343225]
  グループ活動は、人間の社会において重要な行動であり、グループに対する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をグループレコメンデーションタスクと呼ぶ。 本稿では,グループコンセンサスとグループメンバーの個人選好の両方に着目し,グループ決定を推測するグループ推薦手法であるAlignGroupを提案する。
  論文  参考訳（メタデータ） (2024-09-04T10:03:09Z)
• Multi-Granularity Attention Model for Group Recommendation [7.764789596492022]
  グループレコメンデーションは、共有された興味、好み、特徴に基づいて、ユーザーグループにパーソナライズされたレコメンデーションを提供する。 本稿では、グループメンバーの潜伏傾向を解明し、推薦ノイズを軽減するために、MGAM(Multi-Granularity Attention Model)を提案する。 提案手法は,複数の粒度にわたるグループ推薦ノイズを効果的に低減し,個人の興味を包括的に学習する。
  論文  参考訳（メタデータ） (2023-08-08T03:24:44Z)
• On the Convergence of Clustered Federated Learning [57.934295064030636]
  統合学習システムでは、例えばモバイルデバイスや組織参加者といったクライアントは通常、個人の好みや行動パターンが異なる。 本稿では,クライアントグループと各クライアントを統一最適化フレームワークで活用する,新しい重み付きクライアントベースクラスタリングFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-13T02:39:19Z)
• Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
  グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。 本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
  論文  参考訳（メタデータ） (2020-10-02T07:11:19Z)
• GroupIM: A Mutual Information Maximization Framework for Neural Group Recommendation [24.677145454396822]
  本研究では,歴史的活動が限定的あるいは全くないユーザで構成された短命グループを対象とした項目推薦の課題について検討する。 現存する研究は、活動の歴史がかなりある永続的なグループをターゲットにしているが、短命なグループは歴史的な相互作用を欠いている。 本研究では、同一グループに属するユーザ間の嗜好共分散と、各グループに対する個人の嗜好の文脈的関連性の両方を活用するために、データ駆動型正規化戦略を提案する。
  論文  参考訳（メタデータ） (2020-06-05T23:18:19Z)
• Incentivizing Exploration with Selective Data Disclosure [70.11902902106014]
  効率的な探索を促すレコメンデーションシステムを提案し設計する。 エージェントは順次到着し、固定されたが未知のアクション固有の分布から引き出されたアクションを選択し、報酬を受け取る。 フレキシブル・頻繁な行動モデルを用いた探索において,最適な後悔率が得られる。
  論文  参考訳（メタデータ） (2018-11-14T19:29:16Z)

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。