論文の概要: Bayesian-Guided Diversity in Sequential Sampling for Recommender Systems

• arxiv url: http://arxiv.org/abs/2506.21617v1
• Date: Sun, 22 Jun 2025 19:36:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 21:12:22.928011
• Title: Bayesian-Guided Diversity in Sequential Sampling for Recommender Systems
• Title（参考訳）: リコメンダシステムにおけるシークエンシャルサンプリングにおけるベイズ誘導ダイバーシティ
• Authors: Hiba Bederina, Jill-Jênn Vie,
• Abstract要約: 本稿では,多目的・文脈的な逐次サンプリング戦略を活用する新しいフレームワークを提案する。 アイテムの選択は、多様性を最適化するためにスコアを動的に調整するベイジアン更新によってガイドされる。 実世界のデータセットを用いた実験により、我々のアプローチは妥当性を犠牲にすることなく多様性を著しく改善することが示された。
• 参考スコア（独自算出の注目度）: 1.675857332621569
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The challenge of balancing user relevance and content diversity in recommender systems is increasingly critical amid growing concerns about content homogeneity and reduced user engagement. In this work, we propose a novel framework that leverages a multi-objective, contextual sequential sampling strategy. Item selection is guided by Bayesian updates that dynamically adjust scores to optimize diversity. The reward formulation integrates multiple diversity metrics-including the log-determinant volume of a tuned similarity submatrix and ridge leverage scores-along with a diversity gain uncertainty term to address the exploration-exploitation trade-off. Both intra- and inter-batch diversity are modeled to promote serendipity and minimize redundancy. A dominance-based ranking procedure identifies Pareto-optimal item sets, enabling adaptive and balanced selections at each iteration. Experiments on a real-world dataset show that our approach significantly improves diversity without sacrificing relevance, demonstrating its potential to enhance user experience in large-scale recommendation settings.
• Abstract（参考訳）: コンテンツ均質性やユーザエンゲージメントの低下に対する懸念が高まっている中で、レコメンデータシステムにおけるユーザ関連性とコンテンツ多様性のバランスをとるという課題がますます重要になっている。 本研究では,多目的・文脈的逐次サンプリング戦略を活用する新しいフレームワークを提案する。 アイテムの選択は、多様性を最適化するためにスコアを動的に調整するベイジアン更新によってガイドされる。 報酬の定式化は、調整された類似度サブマトリクスの対数決定ボリュームを含む複数の多様性指標を統合し、リッジは、探索と探索のトレードオフに対処するために、ダイバーシティゲインの不確実性項と共にスコアを活用する。 バッチ内およびバッチ間の多様性はセレンディピティーを促進し、冗長性を最小化するためにモデル化されている。 支配に基づくランク付け手順は、パレート最適アイテムセットを特定し、各イテレーションにおける適応的およびバランスの取れた選択を可能にする。 実世界のデータセットでの実験では、我々のアプローチは妥当性を犠牲にすることなく多様性を著しく改善し、大規模なレコメンデーション設定においてユーザエクスペリエンスを向上させる可能性を実証している。

関連論文リスト

• Counterfactual Multi-player Bandits for Explainable Recommendation Diversification [7.948416784331374]
  我々は、説明可能な推薦の多様化を実現するために、textbfCounterfactual textbfMulti-player textbfBandits (CMB)法を提案する。
  論文  参考訳（メタデータ） (2025-05-27T13:21:39Z)
• DLCRec: A Novel Approach for Managing Diversity in LLM-Based Recommender Systems [9.433227503973077]
  LLMに基づくレコメンデーションにおいて,多様性のきめ細かい制御を可能にする新しいフレームワークを提案する。 従来の方法とは異なり、DLCRecはきめ細かいタスク分解戦略を採用し、推奨プロセスを3つのサブタスクに分割する。 本稿では,ノイズやアウト・オブ・ディストリビューションデータに対するモデルの堅牢性を高める2つのデータ拡張手法を提案する。
  論文  参考訳（メタデータ） (2024-08-22T15:10:56Z)
• Knowledge Graph Context-Enhanced Diversified Recommendation [53.3142545812349]
  本研究では,知識グラフ(KG)の複雑な文脈における多角化RecSys領域について検討する。 私たちのコントリビューションには、革新的なメトリック、エンティティカバレッジ、KGドメイン内の多様性を効果的に定量化するリレーショナルカバレッジの導入が含まれています。 そこで本稿では,文脈整合性を維持しつつ,KG項目の埋め込みを符号化するCAU(Conditional Alignment and Uniformity)という新しい手法を紹介する。
  論文  参考訳（メタデータ） (2023-10-20T03:18:57Z)
• Sequential Recommendation with Controllable Diversification: Representation Degeneration and Diversity [59.24517649169952]
  我々は,表現退化問題は,既存のSR手法における推奨の多様性の欠如の根本原因であると主張している。 Singular sPectrum sMoothing regularization for Recommendation (SPMRec)を提案する。
  論文  参考訳（メタデータ） (2023-06-21T02:42:37Z)
• 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)
• 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)
• Towards Multimodal Response Generation with Exemplar Augmentation and Curriculum Optimization [73.45742420178196]
  本稿では,高度化とカリキュラム最適化を併用した,新しいマルチモーダル応答生成フレームワークを提案する。 我々のモデルは多様性と妥当性の点で強いベースラインに比べて大幅に改善されている。
  論文  参考訳（メタデータ） (2020-04-26T16:29:06Z)

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。