論文の概要: A Comparative Study of Recommender Systems under Big Data Constraints

• arxiv url: http://arxiv.org/abs/2504.08457v1
• Date: Fri, 11 Apr 2025 11:35:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-14 14:17:26.280685
• Title: A Comparative Study of Recommender Systems under Big Data Constraints
• Title（参考訳）: ビッグデータ制約下におけるレコメンダシステムの比較検討
• Authors: Arimondo Scrivano,
• Abstract要約: 本稿では,EASE-R, SLIM, SLIM, ElasticNet正規化, Matrix Factorization (FunkSVD, ALS), P3Alpha, RP3Betaなどの推奨アルゴリズムの比較検討を行った。 我々はこれらのモデルを,スケーラビリティ,計算複雑性,予測精度,解釈可能性といった重要な基準に従って評価する。 本研究の目的は、特定のビッグデータ制約とシステム要件に基づいて、最も適切な推奨者アプローチを選択するためのガイドラインを提供することである。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Recommender Systems (RS) have become essential tools in a wide range of digital services, from e-commerce and streaming platforms to news and social media. As the volume of user-item interactions grows exponentially, especially in Big Data environments, selecting the most appropriate RS model becomes a critical task. This paper presents a comparative study of several state-of-the-art recommender algorithms, including EASE-R, SLIM, SLIM with ElasticNet regularization, Matrix Factorization (FunkSVD and ALS), P3Alpha, and RP3Beta. We evaluate these models according to key criteria such as scalability, computational complexity, predictive accuracy, and interpretability. The analysis considers both their theoretical underpinnings and practical applicability in large-scale scenarios. Our results highlight that while models like SLIM and SLIM-ElasticNet offer high accuracy and interpretability, they suffer from high computational costs, making them less suitable for real-time applications. In contrast, algorithms such as EASE-R and RP3Beta achieve a favorable balance between performance and scalability, proving more effective in large-scale environments. This study aims to provide guidelines for selecting the most appropriate recommender approach based on specific Big Data constraints and system requirements.
• Abstract（参考訳）: Recommender Systems(RS)は、eコマースやストリーミングプラットフォームからニュースやソーシャルメディアまで、幅広いデジタルサービスにおいて欠かせないツールとなっている。 特にビッグデータ環境では,ユーザとインタラクションの量が指数関数的に増加するにつれて,最も適切なRSモデルを選択することが重要な課題となる。 本稿では, EASE-R, SLIM, SLIM, ElasticNet regularization, Matrix Factorization (FunkSVD and ALS), P3Alpha, RP3Betaなど, 最先端の推奨アルゴリズムの比較検討を行う。 我々はこれらのモデルを,スケーラビリティ,計算複雑性,予測精度,解釈可能性といった重要な基準に従って評価する。 この分析は、彼らの理論的基盤と大規模シナリオにおける実用性の両方を考慮する。 SLIM や SLIM-ElasticNet のようなモデルでは精度と解釈性が高いが,計算コストが高いため,リアルタイムアプリケーションには適さない。 対照的に、EASE-RやRP3Betaのようなアルゴリズムは、パフォーマンスとスケーラビリティのバランスが良好であり、大規模環境ではより効果的である。 本研究の目的は、特定のビッグデータ制約とシステム要件に基づいて、最も適切な推奨者アプローチを選択するためのガイドラインを提供することである。

関連論文リスト

• Value-Based Deep RL Scales Predictably [100.21834069400023]
  本研究は, 地域社会が病的行動に不安を抱いているにもかかわらず, 価値に基づく非政治的RL法が予測可能であることを示す。 SAC、BRO、PQLの3つのアルゴリズムを使って、DeepMind Control、OpenAI gym、IsaacGymの3つのアプローチを検証する。
  論文  参考訳（メタデータ） (2025-02-06T18:59:47Z)
• Optimization and Scalability of Collaborative Filtering Algorithms in Large Language Models [0.3495246564946556]
  協調フィルタリングアルゴリズムは多くのレコメンデーションシステムの中核である。 従来の協調フィルタリング手法は、大規模LLMベースのシステムに統合された場合、多くの課題に直面している。 本稿では,大規模言語モデルにおける協調フィルタリングアルゴリズムの最適化と拡張性について検討する。
  論文  参考訳（メタデータ） (2024-12-25T00:26:51Z)
• Pre-train, Align, and Disentangle: Empowering Sequential Recommendation with Large Language Models [38.15316444108154]
  シーケンシャルレコメンデーション(SR)は、ユーザの歴史的インタラクションにおけるシーケンシャルな依存関係をモデル化して、その進化する関心をよりよく捉えることを目的としている。 既存のSRアプローチはコラボレーティブデータに依存しており、コールドスタート問題や準最適性能などの制限につながる。 我々は,大規模言語モデルを用いた推薦モデルを強化するために,新しい事前訓練,アライン,ディケンタングル(PAD)パラダイムを提案する。
  論文  参考訳（メタデータ） (2024-12-05T12:17:56Z)
• Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
  SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)
• Optimization Hyper-parameter Laws for Large Language Models [52.49860340549727]
  ハイパーパラメータとトレーニング結果の関係をキャプチャするフレームワークであるOps-Lawsを提案する。 さまざまなモデルサイズとデータスケールにわたる検証は、Opt-Lawsのトレーニング損失を正確に予測する能力を示しています。 このアプローチは、全体的なモデル性能を高めながら、計算コストを大幅に削減する。
  論文  参考訳（メタデータ） (2024-09-07T09:37:19Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• Uncertainty-aware Remaining Useful Life predictor [57.74855412811814]
  有効寿命 (Remaining Useful Life, RUL) とは、特定の産業資産の運用期間を推定する問題である。 本研究では,Deep Gaussian Processes (DGPs) を,前述の制限に対する解決策と捉える。 アルゴリズムの性能はNASAの航空機エンジン用N-CMAPSSデータセットで評価される。
  論文  参考訳（メタデータ） (2021-04-08T08:50:44Z)
• Automatic selection of basis-adaptive sparse polynomial chaos expansions for engineering applications [0.0]
  スパースカオス展開のための3つの最新技術に基づく基礎適応的アプローチについて述べる。 我々は,大規模な計算モデルに対して,大域的近似精度の観点から広範なベンチマークを行う。 クロスバリデーションエラーによって導かれる新しい解法と基底適応性選択スキームを導入する。
  論文  参考訳（メタデータ） (2020-09-10T12:13:57Z)
• A Survey on Large-scale Machine Learning [67.6997613600942]
  機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。 ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。 大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
  論文  参考訳（メタデータ） (2020-08-10T06:07:52Z)

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。