論文の概要: Beyond Relevance: An Adaptive Exploration-Based Framework for Personalized Recommendations
- arxiv url: http://arxiv.org/abs/2503.19525v1
- Date: Tue, 25 Mar 2025 10:27:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-26 16:53:21.637430
- Title: Beyond Relevance: An Adaptive Exploration-Based Framework for Personalized Recommendations
- Title(参考訳): Beyond Relevance: パーソナライズされたレコメンデーションのための適応的な探索ベースのフレームワーク
- Authors: Edoardo Bianchi,
- Abstract要約: 本稿では,多様性と新規性を促進するための探索に基づく推薦フレームワークを提案する。
ユーザ制御探索機構は、探索されていないクラスタから選択的にサンプリングすることで多様性を高める。
MovieLensデータセットの実験では、探索を可能にすることで、リスト内の類似性が0.34から0.26に減少し、予期せぬ結果が0.73に増加した。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Recommender systems must balance personalization, diversity, and robustness to cold-start scenarios to remain effective in dynamic content environments. This paper introduces an adaptive, exploration-based recommendation framework that adjusts to evolving user preferences and content distributions to promote diversity and novelty without compromising relevance. The system represents items using sentence-transformer embeddings and organizes them into semantically coherent clusters through an online algorithm with adaptive thresholding. A user-controlled exploration mechanism enhances diversity by selectively sampling from under-explored clusters. Experiments on the MovieLens dataset show that enabling exploration reduces intra-list similarity from 0.34 to 0.26 and increases unexpectedness to 0.73, outperforming collaborative filtering and popularity-based baselines. A/B testing with 300 simulated users reveals a strong link between interaction history and preference for diversity, with 72.7% of long-term users favoring exploratory recommendations. Computational analysis confirms that clustering and recommendation processes scale linearly with the number of clusters. These results demonstrate that adaptive exploration effectively mitigates over-specialization while preserving personalization and efficiency.
- Abstract(参考訳): リコメンダシステムは、動的コンテンツ環境において効果を維持するために、パーソナライズ、多様性、堅牢性をコールドスタートシナリオにバランスさせなければならない。
本稿では,ユーザの嗜好やコンテンツ配信の進化に適応した探索に基づく推薦フレームワークを導入し,妥当性を損なうことなく多様性とノベルティを促進する。
このシステムは文変換器の埋め込みを用いてアイテムを表現し、適応しきい値付きオンラインアルゴリズムを通じて意味的に一貫性のあるクラスタに整理する。
ユーザ制御探索機構は、探索されていないクラスタから選択的にサンプリングすることで多様性を高める。
MovieLensデータセットの実験では、探索を可能にすることで、リスト内の類似性が0.34から0.26に減少し、予期せぬ結果が0.73に向上し、協調フィルタリングと人気ベースラインを上回ることが示されている。
300人のシミュレートされたユーザによるA/Bテストでは、インタラクション履歴と多様性の選好との間に強いつながりがあることが示され、72.7%のユーザが探索的なレコメンデーションを好んでいる。
計算解析により、クラスタリングとレコメンデーションプロセスがクラスタ数と線形にスケールすることを確認する。
これらの結果から,適応探索はパーソナライズと効率を保ちながら,過剰な特殊化を効果的に軽減することが示された。
関連論文リスト
- Interactive Visualization Recommendation with Hier-SUCB [52.11209329270573]
本稿では,従来のインタラクションからユーザフィードバックを学習する対話型パーソナライズドビジュアライゼーションレコメンデーション(PVisRec)システムを提案する。
よりインタラクティブで正確なレコメンデーションのために、PVisRec設定における文脈的半帯域であるHier-SUCBを提案する。
論文 参考訳(メタデータ) (2025-02-05T17:14:45Z) - Quantifying User Coherence: A Unified Framework for Cross-Domain Recommendation Analysis [69.37718774071793]
本稿では,レコメンデーションシステムを理解するための新しい情報理論手法を提案する。
9つのデータセットで7つのレコメンデーションアルゴリズムを評価し、測定値と標準的なパフォーマンス指標の関係を明らかにする。
論文 参考訳(メタデータ) (2024-10-03T13:02:07Z) - An Efficient Multi-threaded Collaborative Filtering Approach in Recommendation System [0.0]
本研究は,多数のユーザを効率的に扱えるスケーラブルなレコメンデーションシステムの構築に焦点を当てる。
これを実現するために、マルチスレッドの類似性アプローチが採用されている。
この並列化は従来の手法に比べて計算時間を著しく短縮し、高速で効率的でスケーラブルなレコメンデーションシステムをもたらす。
論文 参考訳(メタデータ) (2024-09-28T06:33:18Z) - How to Diversify any Personalized Recommender? [0.0]
精度を維持しつつTop-Nレコメンデーションの多様性を向上させるための新しいアプローチを提案する。
当社のアプローチでは,ユーザを幅広いコンテンツカテゴリやトピックに公開するための,ユーザ中心の事前処理戦略を採用しています。
トレーニングに事前処理されたデータを使用すると、元の未修正データでトレーニングされたデータと同等のパフォーマンスレベルを達成するためのレコメンデーションシステムになる。
論文 参考訳(メタデータ) (2024-05-03T15:02:55Z) - Neural Graph Collaborative Filtering Using Variational Inference [19.80976833118502]
本稿では,変分グラフオートエンコーダを用いて学習した表現を組み込む新しいフレームワークとして,変分埋め込み協調フィルタリング(GVECF)を導入する。
提案手法は,テストデータに対するリコールを最大13.78%改善する。
論文 参考訳(メタデータ) (2023-11-20T15:01:33Z) - AutoSAM: Towards Automatic Sampling of User Behaviors for Sequential Recommender Systems [48.461157194277504]
本稿では,歴史的挙動を一様に扱わない汎用的な自動サンプリングフレームワークであるAutoSAMを提案する。
具体的には、AutoSAMは、サンプル層を追加して標準のシーケンシャルレコメンデーションアーキテクチャを拡張し、生入力のスキュー分布を適応的に学習する。
理論的には、Future PredictionやSequence Perplexityなどの多目的サンプリング報酬を設計し、フレームワーク全体をエンドツーエンドで最適化する。
論文 参考訳(メタデータ) (2023-11-01T09:25:21Z) - ClusterSeq: Enhancing Sequential Recommender Systems with Clustering
based Meta-Learning [3.168790535780547]
ClusterSeqはメタラーニングクラスタリングに基づくシーケンスレコメンダシステムである。
ユーザシーケンスの動的情報を利用して、サイド情報がない場合でもアイテム予測精度を高める。
提案手法は平均相反ランク(MRR)において16~39%の大幅な改善を実現する。
論文 参考訳(メタデータ) (2023-07-25T18:53:24Z) - Improving Recommendation System Serendipity Through Lexicase Selection [53.57498970940369]
本稿では,レコメンデーションシステムにおけるエコーチャンバーとホモフィリーの存在を測定するための新しいセレンディピティー指標を提案する。
そこで我々は,レキシケース選択と呼ばれる親選択アルゴリズムを採用することにより,よく知られたレコメンデーション手法の多様性保存性の向上を試みる。
以上の結果から,レキシケースの選択とランキングの混合は,パーソナライゼーション,カバレッジ,セレンディピティー・ベンチマークにおいて,純粋にランク付けされている。
論文 参考訳(メタデータ) (2023-05-18T15:37:38Z) - GHRS: Graph-based Hybrid Recommendation System with Application to Movie
Recommendation [0.0]
本稿では,ユーザのレーティングの類似性に関連するグラフベースモデルを用いたレコメンデータシステムを提案する。
オートエンコーダの特徴抽出の利点を生かして,全ての属性を組み合わせて新しい特徴を抽出する。
The experimental results on the MovieLens dataset shows that the proposed algorithm developed many existing recommendation algorithm on recommendation accuracy。
論文 参考訳(メタデータ) (2021-11-06T10:47:45Z) - PURS: Personalized Unexpected Recommender System for Improving User
Satisfaction [76.98616102965023]
本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。
3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
論文 参考訳(メタデータ) (2021-06-05T01:33:21Z) - Decorrelated Clustering with Data Selection Bias [55.91842043124102]
本稿では,データ選択バイアスを伴うクラスタリングのためのデコリレーション正規化K-Meansアルゴリズム(DCKM)を提案する。
DCKMアルゴリズムは,選択バイアスによって生じる予期せぬ特徴相関を除去する必要があることを示す。
論文 参考訳(メタデータ) (2020-06-29T08:55:50Z)
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。