論文の概要: Emotion-based Recommender System
- arxiv url: http://arxiv.org/abs/2505.16121v1
- Date: Thu, 22 May 2025 01:54:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-23 17:12:47.968523
- Title: Emotion-based Recommender System
- Title（参考訳）: 感情に基づくレコメンダシステム
- Authors: Hao Wang,
- Abstract要約: 我々は、リコメンデータシステムと対話する際のユーザーの感情を捉えることができる新しい理論とメトリクスを作成します。
また、ユーザの感情と顧客ライフサイクルの変化を視覚化するための効果的で効率的な可視化技術も提供します。
- 参考スコア（独自算出の注目度）: 5.694872363688119
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recommender system is one of the most critical technologies for large internet companies such as Amazon and TikTok. Although millions of users use recommender systems globally everyday, and indeed, much data analysis work has been done to improve the technical accuracy of the system, to our limited knowledge, there has been little attention paid to analysis of users' emotion in recommender systems. In this paper, we create a new theory and metrics that could capture users' emotion when they are interacting with recommender systems. We also provide effective and efficient visualization techniques for visualization of users' emotion and its change in the customers' lifetime cycle. In the end, we design a framework for emotion-based recommendation algorithms, illustrated in a straightforward example with experimental results to demonstrate the effectiveness of our new theory.
- Abstract（参考訳）: Recommender Systemは、AmazonやTikTokのような大手インターネット企業にとって最も重要な技術の一つである。
何百万人ものユーザが毎日リコメンデータシステムを使用しており、実際、システムの技術的正確性を改善するために多くのデータ分析作業が行われているが、私たちの限られた知識では、レコメンデータシステムにおけるユーザの感情の分析にはほとんど注意が払われていない。
本稿では,リコメンデータシステムとのインタラクションにおいて,ユーザの感情を捉えることのできる新しい理論とメトリクスを作成する。
また、ユーザの感情と顧客ライフサイクルの変化を視覚化するための効果的で効率的な可視化技術も提供します。
最後に、感情に基づく推薦アルゴリズムのためのフレームワークを設計し、実験結果とともに簡単な例で説明し、新しい理論の有効性を実証する。
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) - LLM-Powered Explanations: Unraveling Recommendations Through Subgraph Reasoning [40.53821858897774]
本稿では,Large Language Models (LLMs) とKGs (KGs) を相乗する新しいレコメンデータを紹介し,そのレコメンデーションを強化し,解釈可能な結果を提供する。
提案手法は,レコメンデータシステムの有効性と解釈性を両立させる。
論文 参考訳（メタデータ） (2024-06-22T14:14:03Z) - Review-based Recommender Systems: A Survey of Approaches, Challenges and Future Perspectives [11.835903510784735]
レビューベースのレコメンデータシステムは、この分野において重要なサブフィールドとして現れている。
本稿では,これらのシステムを分類し,その特徴,有効性,限界を解析し,最先端の手法を要約する。
本稿では,マルチモーダルデータの統合,複数基準評価情報の統合,倫理的考察など,今後の研究の方向性を提案する。
論文 参考訳（メタデータ） (2024-05-09T05:45:18Z) - Impression-Aware Recommender Systems [53.48892326556546]
本稿ではインプレッションを用いたレコメンデーションシステムに関する体系的な文献レビューを行う。
本稿では,印象型レコメンデーションシステムと,印象型レコメンデーションシステムという,パーソナライズされたレコメンデーションのための新しいパラダイムを論じる。
論文 参考訳（メタデータ） (2023-08-15T16:16:02Z) - Sequence-aware item recommendations for multiply repeated user-item
interactions [0.0]
項目推薦のタスクにおいて時間次元を誘導するレコメンデータシステムを設計する。
推薦を行うために、各ユーザに対するアイテムインタラクションのシーケンスを検討する。
本手法は,小売環境におけるユーザとユーザ間のインタラクションを高精度に予測する試みである。
論文 参考訳（メタデータ） (2023-04-02T17:06:07Z) - Recommendation system using a deep learning and graph analysis approach [1.2183405753834562]
本稿では,行列係数化とグラフ解析に基づく新しい推薦手法を提案する。
さらに,ディープオートエンコーダを利用してユーザやアイテムの潜伏要因を初期化し,ディープ埋め込み手法によってユーザの潜伏要因をユーザ信頼グラフから収集する。
論文 参考訳（メタデータ） (2020-04-17T08:05:33Z)
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。