論文の概要: From Individual to Group: Developing a Context-Aware Multi-Criteria Group Recommender System

• arxiv url: http://arxiv.org/abs/2503.22752v1
• Date: Thu, 27 Mar 2025 09:01:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:39:24.584924
• Title: From Individual to Group: Developing a Context-Aware Multi-Criteria Group Recommender System
• Title（参考訳）: 個人からグループへ:コンテキスト対応型多言語グループレコメンダシステムの開発
• Authors: Ngoc Luyen Le, Marie-Hélène Abel,
• Abstract要約: 本研究は、文脈対応多言語グループレコメンダシステム(CA-MCGRS)の開発について述べる。 マルチヘッド・アテンション・メカニズムを活用することで、我々のモデルは異なる特徴の重要性を動的に評価する。 様々な評価と文脈変数を持つ教育データセットで行った実験は、CA-MCGRSが他のアプローチよりも一貫して優れていることを示した。
• 参考スコア（独自算出の注目度）: 2.3020018305241337
• License:
• Abstract: Group decision-making is becoming increasingly common in areas such as education, dining, travel, and finance, where collaborative choices must balance diverse individual preferences. While conventional recommender systems are effective in personalization, they fall short in group settings due to their inability to manage conflicting preferences, contextual factors, and multiple evaluation criteria. This study presents the development of a Context-Aware Multi-Criteria Group Recommender System (CA-MCGRS) designed to address these challenges by integrating contextual factors and multiple criteria to enhance recommendation accuracy. By leveraging a Multi-Head Attention mechanism, our model dynamically weighs the importance of different features. Experiments conducted on an educational dataset with varied ratings and contextual variables demonstrate that CA-MCGRS consistently outperforms other approaches across four scenarios. Our findings underscore the importance of incorporating context and multi-criteria evaluations to improve group recommendations, offering valuable insights for developing more effective group recommender systems.
• Abstract（参考訳）: グループによる意思決定は、教育、食事、旅行、金融などの分野でますます一般的になっている。 従来のレコメンデーターシステムはパーソナライズに有効であるが、競合する嗜好や文脈要因、複数の評価基準を管理することができないため、グループ設定では不十分である。 本研究では、コンテキスト要因と複数の基準を統合して、推奨精度を高めることにより、これらの課題に対処するコンテキスト対応多言語グループレコメンドシステム(CA-MCGRS)の開発について述べる。 マルチヘッド・アテンション・メカニズムを活用することで、我々のモデルは異なる特徴の重要性を動的に評価する。 様々な評価と文脈変数を持つ教育データセットで実施された実験は、CA-MCGRSが4つのシナリオで他のアプローチよりも一貫して優れていることを示した。 本研究は,より効果的なグループレコメンデーションシステムを開発する上で,グループレコメンデーションを改善するために,コンテキストと複数基準の評価を取り入れることの重要性を浮き彫りにした。

関連論文リスト

• Beyond Predictions: A Participatory Framework for Multi-Stakeholder Decision-Making [3.3044728148521623]
  本稿では,複数株主最適化問題として意思決定を再定義する新たな参加型フレームワークを提案する。 我々のフレームワークは、コンテキスト依存の報酬関数を通じて各アクターの好みをキャプチャする。 本稿では,複数の指標にまたがるユーザ定義の選好を利用して意思決定戦略をランク付けする合成スコアリング機構を提案する。
  論文  参考訳（メタデータ） (2025-02-12T16:27:40Z)
• 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)
• De-centering the (Traditional) User: Multistakeholder Evaluation of Recommender Systems [10.731079374109596]
  マルチステークホルダー推薦システムの評価の複雑さに焦点をあてる。 理論的原理から実践的実装への移行について論じる。 我々は、これらの複雑で領域に依存した評価の問題について、研究者や実践者にどのように考えるかについてのガイダンスを提供することを目指している。
  論文  参考訳（メタデータ） (2025-01-09T11:44:49Z)
• ComPO: Community Preferences for Language Model Personalization [122.54846260663922]
  ComPOは、言語モデルにおける好みの最適化をパーソナライズする手法である。 ComPRedはRedditからコミュニティレベルの好みを持った質問応答データセットです。
  論文  参考訳（メタデータ） (2024-10-21T14:02:40Z)
• LLM4Rerank: LLM-based Auto-Reranking Framework for Recommendations [51.76373105981212]
  リグレードはレコメンデーションシステムにおいて重要な要素であり、レコメンデーションアルゴリズムの出力を精査する上で重要な役割を果たす。 そこで我々は,様々な格付け基準をシームレスに統合する包括的格付けフレームワークを提案する。 カスタマイズ可能な入力機構も統合されており、言語モデルのフォーカスを特定の再配置のニーズに合わせることができる。
  論文  参考訳（メタデータ） (2024-06-18T09:29:18Z)
• Dynamic fairness-aware recommendation through multi-agent social choice [10.556124653827647]
  我々は、現実世界のアプリケーション設定における公平性、特にパーソナライズされたレコメンデーションの文脈において、より複雑で多面的であると主張している。 本稿では,2段階の社会的選択問題として,推薦システムにおけるマルチステークホルダフェアネスを定式化するモデルを提案する。
  論文  参考訳（メタデータ） (2023-03-02T05:06:17Z)
• Choosing the Best of Both Worlds: Diverse and Novel Recommendations through Multi-Objective Reinforcement Learning [68.45370492516531]
  本稿では,Recommender Systems (RS) 設定のための拡張多目的強化学習(SMORL)を紹介する。 SMORLエージェントは、標準レコメンデーションモデルを拡張し、RLレイヤーを追加し、3つの主要な目的(正確性、多様性、新しいレコメンデーション)を同時に満たすように強制する。 実世界の2つのデータセットに対する実験結果から,集約的多様性の顕著な増加,精度の適度な向上,レコメンデーションの反復性の低下,および相補的目的としての多様性と新規性の強化の重要性が示された。
  論文  参考訳（メタデータ） (2021-10-28T13:22:45Z)
• 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)
• Simultaneous Relevance and Diversity: A New Recommendation Inference Approach [81.44167398308979]
  本稿では,新しいCF推論手法である負対陽性を導入することにより,一般協調フィルタリング(CF)を拡張した新しい手法を提案する。 我々のアプローチは、様々な高度なレベルでの幅広い推奨シナリオ/ユースケースに適用できる。 公開データセットと実世界の生産データに関する分析と実験により、我々のアプローチは、関連性および多様性に関する既存の手法を同時に上回ることを示した。
  論文  参考訳（メタデータ） (2020-09-27T22:20:12Z)

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。