論文の概要: Estimating the number of household TV profiles based in customer behaviour using Gaussian mixture model averaging

• arxiv url: http://arxiv.org/abs/2505.10279v1
• Date: Thu, 15 May 2025 13:27:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 22:29:06.331175
• Title: Estimating the number of household TV profiles based in customer behaviour using Gaussian mixture model averaging
• Title（参考訳）: ガウス混合モデル平均化を用いた顧客行動に基づく家庭内テレビ局数の推定
• Authors: Gabriel R. Palma, Sally McClean, Brahim Allan, Zeeshan Tariq, Rafael A. Moral,
• Abstract要約: 本稿では、個人プロファイルを検出し、組み合わせ、グループ視聴のための個人化されたレコメンデーションを作成することを目的とする。 本稿では,ガウス混合モデルを用いて,家庭内テレビ局数に対する点推定値を求める手法を提案する。 以上の結果から,我々のフレームワークと選択した特徴を組み合わせることで,家庭内テレビ局の視聴回数を推定できることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: TV customers today face many choices from many live channels and on-demand services. Providing a personalised experience that saves customers time when discovering content is essential for TV providers. However, a reliable understanding of their behaviour and preferences is key. When creating personalised recommendations for TV, the biggest challenge is understanding viewing behaviour within households when multiple people are watching. The objective is to detect and combine individual profiles to make better-personalised recommendations for group viewing. Our challenge is that we have little explicit information about who is watching the devices at any time (individuals or groups). Also, we do not have a way to combine more than one individual profile to make better recommendations for group viewing. We propose a novel framework using a Gaussian mixture model averaging to obtain point estimates for the number of household TV profiles and a Bayesian random walk model to introduce uncertainty. We applied our approach using data from real customers whose TV-watching data totalled approximately half a million observations. Our results indicate that combining our framework with the selected features provides a means to estimate the number of household TV profiles and their characteristics, including shifts over time and quantification of uncertainty.
• Abstract（参考訳）: 現在テレビの顧客は、多くのライブチャンネルやオンデマンドサービスから多くの選択肢に直面している。 コンテンツの発見に要する時間を節約するパーソナライズドエクスペリエンスの提供は,テレビプロバイダにとって不可欠である。 しかし、彼らの行動や好みについて信頼できる理解が重要である。 テレビのパーソナライズされたレコメンデーションを作るとき、最大の課題は、複数の人が見ているときの家庭内の観察行動を理解することだ。 目的は、個人プロファイルを検出し、組み合わせ、グループ視聴のための個人化されたレコメンデーションを作成することである。 私たちの課題は、誰がデバイスをいつでも見ているか(個人やグループ)について、明確な情報がほとんどないことです。 また、複数の個人プロフィールを組み合わせることで、グループ視聴をよりよく推奨する方法はありません。 本稿では,ガウス混合モデルを用いて,家庭内テレビ局数の点推定を行い,不確実性を導入するためのベイズランダムウォークモデルを提案する。 我々は,テレビ視聴データが約50万回観測された実顧客データを用いて,我々のアプローチを適用した。 以上の結果から,我々の枠組みと選択した特徴を組み合わせることで,テレビ放送の視聴回数と特徴を推定する手段が得られ,時間的変化や不確かさの定量化が期待できることがわかった。

関連論文リスト

• Explicit Uncertainty Modeling for Video Watch Time Prediction [18.999640886056262]
  ビデオレコメンデーションにおいて、システムのレコメンデーション精度を決定する重要なコンポーネントは、ウォッチタイム予測モジュールである。 この問題の鍵となる課題の1つは、ユーザのウォッチタイム動作である。 本稿では,ユーザの時計時間行動をよりよく活用する逆最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-10T09:19:19Z)
• 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)
• Conditional Quantile Estimation for Uncertain Watch Time in Short-Video Recommendation [2.3166433227657186]
  本稿では,時計時間全体の条件分布をモデル化するための条件量子推定(CQE)を提案する。 CQEは、ユーザとビデオのペアごとに複雑なウォッチタイム分布を特徴付け、ユーザの振る舞いを理解するための柔軟で包括的なアプローチを提供する。
  論文  参考訳（メタデータ） (2024-07-17T00:25:35Z)
• DegustaBot: Zero-Shot Visual Preference Estimation for Personalized Multi-Object Rearrangement [53.86523017756224]
  本稿では,視覚的嗜好学習のためのアルゴリズムであるDegustaBotを提案する。 我々は、シミュレーション表設定タスクにおいて、自然主義的個人的嗜好の大規模なデータセットを収集する。 私たちのモデルの予測の50%は、少なくとも20%の人々に受け入れられる可能性が高いことが分かりました。
  論文  参考訳（メタデータ） (2024-07-11T21:28:02Z)
• Counteracting Duration Bias in Video Recommendation via Counterfactual Watch Time [63.844468159126826]
  視聴時間の予測は時間のバイアスに悩まされ、ユーザーの興味を正確に反映する能力を妨げる。 対実時計モデル (CWM) が提案され、CWTはユーザーがビデオレコメンデーションシステムから最大限の利益を得る時間に等しいことを示した。
  論文  参考訳（メタデータ） (2024-06-12T06:55:35Z)
• Contrastive Multi-view Framework for Customer Lifetime Value Prediction [48.24479287526052]
  既存のLTV予測手法の多くは、消費サンプルに基づいてシングルビューのLTV予測器を直接訓練する。 様々なバックボーンモデルと互換性のあるプラグ・アンド・プレイソリューションであるLTV予測のための対照的なマルチビューフレームワークを提案する。 実世界のLTV予測データセットについて広範な実験を行い,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-06-26T03:23:53Z)
• Profiling Television Watching Behaviour Using Bayesian Hierarchical Joint Models for Time-to-Event and Count Data [9.33192719245965]
  本稿では,テレビ視聴におけるイベント数に基づいて,顧客プロファイルを特徴付ける新しいベイズ階層型ジョイントモデルを提案する。 このモデルは、顧客毎の何千もの観測結果から、11の顧客レベルのパラメータ推定とランダムな影響まで、データの次元を大幅に削減します。 提案手法は,高記述性と予測能力を維持しながら,データの次元性を低減する効率的な方法である。
  論文  参考訳（メタデータ） (2022-09-06T16:29:15Z)
• Show Me What I Like: Detecting User-Specific Video Highlights Using Content-Based Multi-Head Attention [52.84233165201391]
  そこで本稿では,従来視聴したビデオに表示されていたハイライトクリップに基づいて,対象ビデオの個別化ハイライトを検出する手法を提案する。 本手法は,対象物と人的活動の事前学習機能を用いて,好むクリップの内容と対象ビデオの両方を明示的に活用する。
  論文  参考訳（メタデータ） (2022-07-18T02:32:48Z)

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。