論文の概要: Continual Recommender Systems

• arxiv url: http://arxiv.org/abs/2507.03861v1
• Date: Sat, 05 Jul 2025 02:20:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.908558
• Title: Continual Recommender Systems
• Title（参考訳）: 継続的レコメンダシステム
• Authors: Hyunsik Yoo, SeongKu Kang, Hanghang Tong,
• Abstract要約: マシンラーニングに関する現在のチュートリアルでは、レコメンデーション固有の要求には対処していない。 まず、背景と問題設定をレビューし、続いて既存のアプローチの概要を概観する。 次に、実践的なデプロイメント環境に継続的学習を適用するための最近の取り組みを強調します。
• 参考スコア（独自算出の注目度）: 47.467562063027195
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern recommender systems operate in uniquely dynamic settings: user interests, item pools, and popularity trends shift continuously, and models must adapt in real time without forgetting past preferences. While existing tutorials on continual or lifelong learning cover broad machine learning domains (e.g., vision and graphs), they do not address recommendation-specific demands-such as balancing stability and plasticity per user, handling cold-start items, and optimizing recommendation metrics under streaming feedback. This tutorial aims to make a timely contribution by filling that gap. We begin by reviewing the background and problem settings, followed by a comprehensive overview of existing approaches. We then highlight recent efforts to apply continual learning to practical deployment environments, such as resource-constrained systems and sequential interaction settings. Finally, we discuss open challenges and future research directions. We expect this tutorial to benefit researchers and practitioners in recommender systems, data mining, AI, and information retrieval across academia and industry.
• Abstract（参考訳）: ユーザーの興味、アイテムプール、人気傾向が継続的に変化し、モデルは過去の好みを忘れずにリアルタイムで適応しなければならない。 継続学習や生涯学習に関する既存のチュートリアルは、幅広い機械学習ドメイン(例えばビジョンやグラフ)をカバーするが、ユーザ毎の安定性と可塑性のバランス、コールドスタートアイテムの処理、ストリーミングフィードバック下での推奨メトリクスの最適化など、推奨固有の要求には対処していない。 このチュートリアルは、そのギャップを埋めることで、タイムリーなコントリビューションを目指している。 まず、背景と問題設定をレビューし、続いて既存のアプローチの概要を概観する。 次に、リソース制約のあるシステムやシーケンシャルなインタラクション設定など、実践的なデプロイメント環境に継続的学習を適用するための最近の取り組みを強調します。 最後に,オープン課題と今後の研究方向性について論じる。 このチュートリアルは、レコメンデーションシステム、データマイニング、AI、および学術および産業全体にわたる情報検索において、研究者や実践者に利益をもたらすことを期待している。

関連論文リスト

• Generative Large Recommendation Models: Emerging Trends in LLMs for Recommendation [85.52251362906418]
  このチュートリアルでは、大規模言語モデル(LLM)を統合するための2つの主要なアプローチを探求する。 これは、最近の進歩、課題、潜在的研究の方向性を含む、生成的な大規模なレコメンデーションモデルの包括的な概要を提供する。 主なトピックは、データ品質、スケーリング法則、ユーザの行動マイニング、トレーニングと推論の効率性である。
  論文  参考訳（メタデータ） (2025-02-19T14:48:25Z)
• Recommender Systems in the Era of Large Language Models (LLMs) [62.0129013439038]
  大規模言語モデル(LLM)は自然言語処理(NLP)と人工知能(AI)の分野に革命をもたらした。 我々は, プレトレーニング, ファインチューニング, プロンプティングなどの様々な側面から, LLM を利用したレコメンデータシステムの総合的なレビューを行う。
  論文  参考訳（メタデータ） (2023-07-05T06:03:40Z)
• Situating Recommender Systems in Practice: Towards Inductive Learning and Incremental Updates [9.47821118140383]
  概念を形式化し、過去6年間に推奨されたシステムをコンテキスト化します。 次に、モデル設計と評価のためのインクリメンタルな学習とインクリメンタルなアップデートに向けて、今後の作業がなぜ、どのように進むべきかについて議論する。
  論文  参考訳（メタデータ） (2022-11-11T17:29:35Z)

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。