論文の概要: Beyond One-Size-Fits-All: A Study of Neural and Behavioural Variability Across Different Recommendation Categories
- arxiv url: http://arxiv.org/abs/2506.13409v1
- Date: Mon, 16 Jun 2025 12:23:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-17 17:28:48.383797
- Title: Beyond One-Size-Fits-All: A Study of Neural and Behavioural Variability Across Different Recommendation Categories
- Title（参考訳）: 1-size-Fits-Allを超えて:様々な推奨カテゴリーにおける神経的・行動的変動に関する研究
- Authors: Georgios Koutroumpas, Sebastian Idesis, Mireia Masias Bruns, Carlos Segura, Joemon M. Jose, Sergi Abadal, Ioannis Arapakis,
- Abstract要約: 私たちは、焦点をユーザにシフトし、異なる推奨カテゴリ間で神経的および行動的変動をデコードするという課題に初めて対処します。
具体的には,様々なレコメンデーションタイプを含む包括的eコマースデータセットを用いて,制御された調査を行った。
提案手法は, 検索クエリの結果から, Exact, Substitute, Complement, Irrelevantの製品に分類されたレコメンデーションに対して, 神経反応と行動応答の両方を解析した。
- 参考スコア（独自算出の注目度）: 6.230575089220498
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traditionally, Recommender Systems (RS) have primarily measured performance based on the accuracy and relevance of their recommendations. However, this algorithmic-centric approach overlooks how different types of recommendations impact user engagement and shape the overall quality of experience. In this paper, we shift the focus to the user and address for the first time the challenge of decoding the neural and behavioural variability across distinct recommendation categories, considering more than just relevance. Specifically, we conducted a controlled study using a comprehensive e-commerce dataset containing various recommendation types, and collected Electroencephalography and behavioural data. We analysed both neural and behavioural responses to recommendations that were categorised as Exact, Substitute, Complement, or Irrelevant products within search query results. Our findings offer novel insights into user preferences and decision-making processes, revealing meaningful relationships between behavioural and neural patterns for each category, but also indicate inter-subject variability.
- Abstract（参考訳）: 伝統的に、レコメンデーションの正確さと関連性に基づいて、Recommender Systems(RS)は主にパフォーマンスを測定してきた。
しかし、このアルゴリズム中心のアプローチは、さまざまなタイプのレコメンデーションがユーザのエンゲージメントにどのように影響し、全体的なエクスペリエンスの質を形作るかを見落としている。
本稿では、単に関連性以上のことを考慮して、異なるレコメンデーションカテゴリにまたがる神経的および行動的変数の復号化という課題を初めて、ユーザとアドレスに焦点を移す。
具体的には、様々な推薦型を含む包括的なeコマースデータセットを用いて、制御された研究を行い、脳波と行動データを収集した。
提案手法は, 検索クエリの結果から, Exact, Substitute, Complement, Irrelevantの製品に分類されたレコメンデーションに対して, 神経反応と行動応答の両方を解析した。
本研究は,各カテゴリにおける行動パターンとニューラルパターンの有意な関係を明らかにするとともに,対象間の多様性を示す。
関連論文リスト
- Why am I seeing this? Towards recognizing social media recommender systems with missing recommendations [4.242821809663174]
グラフニューラルネットワーク(GNN)を用いた自動レコメンダ認識手法を提案する。
提案手法は,隠されたレコメンデータの正確な検出とユーザ行動への影響を可能にする。
この研究は、レコメンダが行動をどのように形成し、偏光と誤情報を減らすための努力を支援するかについての洞察を提供する。
論文 参考訳（メタデータ） (2025-04-15T09:16:17Z) - 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) - Contrastive Learning Method for Sequential Recommendation based on Multi-Intention Disentanglement [5.734747179463411]
MIDCL(Multi-Intention Disentanglement)に基づくコントラスト学習シーケンシャルレコメンデーション手法を提案する。
私たちの仕事では、意図は動的で多様なものとして認識され、ユーザの振る舞いは、しばしば現在のマルチインテンションによって駆動されます。
本稿では,最も関連性の高いユーザの対話的意図の探索と,正のサンプル対の相互情報の最大化のための2種類のコントラスト学習パラダイムを提案する。
論文 参考訳（メタデータ） (2024-04-28T15:13:36Z) - Exploring Popularity Bias in Session-based Recommendation [0.6798775532273751]
セッションベースの設定と適応確率計算に分析を拡張し、セッションベースのレコメンデーションタスクの独特な特性に適応する。
本研究では、異なるデータセット上での確率分布と異なる階層化手法について検討し、確率関連特性が実際にデータセット固有のものであることを見出した。
論文 参考訳（メタデータ） (2023-12-13T02:48:35Z) - Causal Disentangled Variational Auto-Encoder for Preference
Understanding in Recommendation [50.93536377097659]
本稿では,コメンテータシステムにおける対話データから因果不整合表現を学習するためのCaD-VAE(Causal Disentangled Variational Auto-Encoder)を提案する。
この手法は構造因果モデルを用いて、潜在因子間の因果関係を記述する因果表現を生成する。
論文 参考訳（メタデータ） (2023-04-17T00:10:56Z) - A Survey on Neural Recommendation: From Collaborative Filtering to
Content and Context Enriched Recommendation [70.69134448863483]
レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。
近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
論文 参考訳（メタデータ） (2021-04-27T08:03:52Z) - Heterogeneous Demand Effects of Recommendation Strategies in a Mobile
Application: Evidence from Econometric Models and Machine-Learning
Instruments [73.7716728492574]
本研究では,モバイルチャネルにおける様々なレコメンデーション戦略の有効性と,個々の製品に対する消費者の実用性と需要レベルに与える影響について検討する。
提案手法では, 有効性に有意な差が認められた。
我々は,ユーザ生成レビューのディープラーニングモデルに基づいて,製品分化(アイソレーション)をキャプチャする新しいエコノメトリ機器を開発した。
論文 参考訳（メタデータ） (2021-02-20T22:58:54Z) - Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。
当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
論文 参考訳（メタデータ） (2020-05-21T12:28:59Z) - Learning Overlapping Representations for the Estimation of
Individualized Treatment Effects [97.42686600929211]
観測データから代替案の可能性を推定することは難しい問題である。
入力のドメイン不変表現を学習するアルゴリズムは、しばしば不適切であることを示す。
我々は,様々なベンチマークデータセットの最先端性を大幅に向上させる,ディープカーネル回帰アルゴリズムと後続正規化フレームワークを開発した。
論文 参考訳（メタデータ） (2020-01-14T12:56:29Z)
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。