論文の概要: A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond

• arxiv url: http://arxiv.org/abs/2503.18669v1
• Date: Mon, 24 Mar 2025 13:40:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 14:33:12.450338
• Title: A Comprehensive Review on Hashtag Recommendation: From Traditional to Deep Learning and Beyond
• Title（参考訳）: Hashtag Recommendationに関する総合的レビュー: 伝統から深層学習まで
• Authors: Shubhi Bansal, Kushaan Gowda, Anupama Sureshbabu K, Chirag Kothari, Nagendra Kumar,
• Abstract要約: ハッシュタグは、基本的な分類メカニズムとして、コンテンツの可視性とユーザエンゲージメントを高める上で重要な役割を果たす。 正確で堅牢なハッシュタグレコメンデーションシステムの開発は、依然として複雑で進化中の研究課題である。 本稿では,ハッシュタグレコメンデーションシステムの体系的解析を行い,近年のいくつかの側面にわたる進歩について検討する。
• 参考スコア（独自算出の注目度）: 0.37865171120254354
• License:
• Abstract: The exponential growth of user-generated content on social media platforms has precipitated significant challenges in information management, particularly in content organization, retrieval, and discovery. Hashtags, as a fundamental categorization mechanism, play a pivotal role in enhancing content visibility and user engagement. However, the development of accurate and robust hashtag recommendation systems remains a complex and evolving research challenge. Existing surveys in this domain are limited in scope and recency, focusing narrowly on specific platforms, methodologies, or timeframes. To address this gap, this review article conducts a systematic analysis of hashtag recommendation systems, comprehensively examining recent advancements across several dimensions. We investigate unimodal versus multimodal methodologies, diverse problem formulations, filtering strategies, methodological evolution from traditional frequency-based models to advanced deep learning architectures. Furthermore, we critically evaluate performance assessment paradigms, including quantitative metrics, qualitative analyses, and hybrid evaluation frameworks. Our analysis underscores a paradigm shift toward transformer-based deep learning models, which harness contextual and semantic features to achieve superior recommendation accuracy. Key challenges such as data sparsity, cold-start scenarios, polysemy, and model explainability are rigorously discussed, alongside practical applications in tweet classification, sentiment analysis, and content popularity prediction. By synthesizing insights from diverse methodological and platform-specific perspectives, this survey provides a structured taxonomy of current research, identifies unresolved gaps, and proposes future directions for developing adaptive, user-centric recommendation systems.
• Abstract（参考訳）: ソーシャルメディアプラットフォーム上でのユーザ生成コンテンツの指数的な成長は、特にコンテンツ組織、検索、発見において、情報管理において重大な課題を引き起こしている。 ハッシュタグは、基本的な分類メカニズムとして、コンテンツの可視性とユーザエンゲージメントを高める上で重要な役割を果たす。 しかし、正確で堅牢なハッシュタグレコメンデーションシステムの開発は、依然として複雑で進化中の研究課題である。 この領域における既存の調査はスコープと相対性に制限されており、特定のプラットフォーム、方法論、あるいは時間枠に限定している。 このギャップに対処するため,本稿では,ハッシュタグレコメンデーションシステムの体系的解析を行い,近年の様々な分野の進歩を包括的に検討する。 従来の周波数ベースモデルから先進的なディープラーニングアーキテクチャへの方法論的進化を,一元対マルチモーダル手法,多様な問題定式化,フィルタリング戦略,検討する。 さらに,定量的指標,質的分析,ハイブリッド評価フレームワークなど,性能評価のパラダイムを批判的に評価する。 本分析は,コンテクストやセマンティックな特徴を生かしたトランスフォーマーに基づくディープラーニングモデルへのパラダイムシフトを,より優れたレコメンデーション精度を実現することを目的としている。 データスペシャリティ、コールドスタートシナリオ、ポリセミー、モデル説明可能性といった主要な課題は、ツイート分類、感情分析、コンテンツ人気予測の実践的応用とともに、厳密に議論されている。 多様な方法論やプラットフォーム固有の視点から洞察を合成することにより、現在の研究の構造的分類を提供し、未解決のギャップを特定し、適応型ユーザ中心のレコメンデーションシステムを開発するための今後の方向性を提案する。

関連論文リスト

• Bridging the Evaluation Gap: Leveraging Large Language Models for Topic Model Evaluation [0.0]
  本研究では,Large Language Models (LLMs) を用いた科学文献における動的に進化するトピックの自動評価のための枠組みを提案する。 提案手法は,専門家のアノテータや狭義の統計指標に大きく依存することなく,コヒーレンス,反復性,多様性,トピック文書のアライメントといった重要な品質次元を測定するためにLLMを利用する。
  論文  参考訳（メタデータ） (2025-02-11T08:23:56Z)
• Coding for Intelligence from the Perspective of Category [66.14012258680992]
  符号化の対象はデータの圧縮と再構成、インテリジェンスである。 最近の傾向は、これらの2つの分野の潜在的均一性を示している。 本稿では,カテゴリ理論の観点から,インテリジェンスのためのコーディングの新たな問題を提案する。
  論文  参考訳（メタデータ） (2024-07-01T07:05:44Z)
• A Survey of Latent Factor Models in Recommender Systems [0.0]
  本調査は,リコメンデータシステムにおける潜在因子モデルについて系統的にレビューする。 文献は、学習データ、モデルアーキテクチャ、学習戦略、最適化技術をカバーする構造化されたフレームワークを通して検証される。
  論文  参考訳（メタデータ） (2024-05-28T11:28:59Z)
• A Survey of Generative Search and Recommendation in the Era of Large Language Models [125.26354486027408]
  ジェネレーティブ検索(検索)とレコメンデーションは、マッチング問題をジェネレーティブな方法で解決することを目的としている。 超知能生成型大規模言語モデルが検索と推薦の新しいパラダイムを生み出した。
  論文  参考訳（メタデータ） (2024-04-25T17:58:17Z)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• A Comprehensive Survey on Deep Clustering: Taxonomy, Challenges, and Future Directions [48.97008907275482]
  クラスタリングは、文献で広く研究されている基本的な機械学習タスクである。 ディープクラスタリング(Deep Clustering)、すなわち表現学習とクラスタリングを共同で最適化する手法が提案され、コミュニティで注目を集めている。 深層クラスタリングの本質的なコンポーネントを要約し、深層クラスタリングと深層クラスタリングの相互作用を設計する方法によって既存の手法を分類する。
  論文  参考訳（メタデータ） (2022-06-15T15:05:13Z)
• A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
  コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。 この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。 ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
  論文  参考訳（メタデータ） (2021-05-26T14:37:07Z)
• A Survey of Community Detection Approaches: From Statistical Modeling to Deep Learning [95.27249880156256]
  ネットワークコミュニティファイリング手法の統一アーキテクチャを開発し,提案する。 既存の手法を確率的グラフィカルモデルとディープラーニングという2つのカテゴリに分けた新しい分類法を提案する。 フィールドの課題の議論と今後の研究の方向性の提案を締めくくります。
  論文  参考訳（メタデータ） (2021-01-03T02:32:45Z)
• An Interpretable and Uncertainty Aware Multi-Task Framework for Multi-Aspect Sentiment Analysis [15.755185152760083]
  文書レベルのマルチアスペクト感性分類(DMSC)は困難かつ差し迫った問題である。 DMSC問題に対して,意図的な自己注意に基づく深層ニューラルネットワークモデル,すなわちFEDARを提案する。 FEDARは、予測を解釈しながら、競争性能を達成することができる。
  論文  参考訳（メタデータ） (2020-09-18T22:32:39Z)

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。