論文の概要: Item-centric Exploration for Cold Start Problem

• arxiv url: http://arxiv.org/abs/2507.09423v1
• Date: Sat, 12 Jul 2025 23:22:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:23.165957
• Title: Item-centric Exploration for Cold Start Problem
• Title（参考訳）: コールドスタート問題に対する項目中心探索
• Authors: Dong Wang, Junyi Jiao, Arnab Bhadury, Yaping Zhang, Mingyan Gao, Onkar Dalal,
• Abstract要約: 我々は、従来の「ユーザーにとって最良のアイテム」を見つけることの焦点は、生来のコンテンツに対する理想的なオーディエンスを故意に曖昧にする可能性があると論じている。 項目中心のレコメンデーションの概念を導入し、新しい項目に対して最適なユーザを特定するパラダイムをシフトする。
• 参考スコア（独自算出の注目度）: 7.132196640884619
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommender systems face a critical challenge in the item cold-start problem, which limits content diversity and exacerbates popularity bias by struggling to recommend new items. While existing solutions often rely on auxiliary data, but this paper illuminates a distinct, yet equally pressing, issue stemming from the inherent user-centricity of many recommender systems. We argue that in environments with large and rapidly expanding item inventories, the traditional focus on finding the "best item for a user" can inadvertently obscure the ideal audience for nascent content. To counter this, we introduce the concept of item-centric recommendations, shifting the paradigm to identify the optimal users for new items. Our initial realization of this vision involves an item-centric control integrated into an exploration system. This control employs a Bayesian model with Beta distributions to assess candidate items based on a predicted balance between user satisfaction and the item's inherent quality. Empirical online evaluations reveal that this straightforward control markedly improves cold-start targeting efficacy, enhances user satisfaction with newly explored content, and significantly increases overall exploration efficiency.
• Abstract（参考訳）: コンテントの多様性を制限し、新しいアイテムの推薦に苦しむことで人気バイアスを悪化させる。 既存のソリューションは補助的なデータに頼っていることが多いが、この論文は、多くのレコメンデータシステムの固有のユーザ中心性に起因する、際立った、しかし等しく迫る問題に照らしている。 大規模かつ急速に拡大するアイテム在庫のある環境では、従来の「ユーザーにとって最良のアイテム」を見つけることに注力することは、生来のコンテンツに対する理想的なオーディエンスを必然的に曖昧にする可能性がある、と我々は主張する。 これに対応するために,項目中心のレコメンデーションの概念を導入し,新しい項目に対して最適なユーザを特定するパラダイムをシフトする。 このビジョンの最初の実現には、探索システムに統合されたアイテム中心の制御が含まれる。 この制御はベータ分布を持つベイズモデルを用いて、ユーザの満足度とアイテム固有の品質のバランスを予測して候補項目を評価する。 実験的なオンライン評価では、この直接的な制御により、コールドスタートターゲティングの有効性が著しく向上し、新しく探索されたコンテンツによるユーザの満足度が向上し、全体的な探索効率が著しく向上することが明らかになった。

関連論文リスト

• Next-User Retrieval: Enhancing Cold-Start Recommendations via Generative Next-User Modeling [3.847929624516339]
  Lookalikeアルゴリズムは、ルックalikeユーザに基づいた新しいアイテムに対するフィードバックを拡張することで、有望なソリューションを提供する。 本稿では,次世代ユーザモデリングによるコールドスタート推薦を向上するための新しいフレームワークであるNext-User Retrievalを提案する。 本手法は,Douyinの日次アクティブユーザー数が0.0142%,+0.1144%増加し,大幅な改善を実現している。
  論文  参考訳（メタデータ） (2025-06-18T08:42:01Z)
• Multi-agents based User Values Mining for Recommendation [52.26100802380767]
  効率的なユーザ値抽出のためのゼロショットマルチLLM協調フレームワークを提案する。 本研究は,本質的な意味を保ちながら,項目内容のコンデンスにテキスト要約手法を適用した。 幻覚を緩和するために,評価役と監督役の2つの特殊エージェントの役割を導入する。
  論文  参考訳（メタデータ） (2025-05-02T04:01:31Z)
• 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)
• Unveiling User Satisfaction and Creator Productivity Trade-Offs in Recommendation Platforms [68.51708490104687]
  調査力の低い純粋に関連性の高い政策は、短期的ユーザの満足度を高めるが、コンテンツプールの長期的豊かさを損なうことを示す。 調査の結果,プラットフォーム上でのユーザの即時満足度と全体のコンテンツ生産との間には,根本的なトレードオフがあることが判明した。
  論文  参考訳（メタデータ） (2024-10-31T07:19:22Z)
• Learning Recommender Systems with Soft Target: A Decoupled Perspective [49.83787742587449]
  そこで本研究では,ソフトラベルを活用することで,目的を2つの側面として捉えるために,分離されたソフトラベル最適化フレームワークを提案する。 本稿では,ラベル伝搬アルゴリズムをモデル化したソフトラベル生成アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-09T04:20:15Z)
• The MovieLens Beliefs Dataset: Collecting Pre-Choice Data for Online Recommender Systems [0.0]
  本稿では,未経験項目に対するユーザの信念を収集する手法を提案する。 提案手法はMovieLensプラットフォーム上で実装され,ユーザ評価,信念,監視されたレコメンデーションを組み合わせた豊富なデータセットが得られた。
  論文  参考訳（メタデータ） (2024-05-17T19:06:06Z)
• 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)
• Causal Disentanglement with Network Information for Debiased Recommendations [34.698181166037564]
  近年の研究では、因果的観点からレコメンデーターシステムをモデル化することで、デビアスを提案する。 この設定における重要な課題は、隠れた共同設立者を説明することだ。 我々は,ネットワーク情報(すなわち,ユーザ・ソーシャルおよびユーザ・イテムネットワーク)を活用して,隠れた共同創設者をよりよく近似することを提案する。
  論文  参考訳（メタデータ） (2022-04-14T20:55:11Z)
• An Empirical analysis on Transparent Algorithmic Exploration in Recommender Systems [17.91522677924348]
  提案手法は, 従来のミックスイン手法と比較し, 従来の評価手法と比較する。 以上の結果から,ユーザからのフィードバックは,インターフェースによる探索のために選択された項目の方がはるかに多いことが示唆された。
  論文  参考訳（メタデータ） (2021-07-31T05:08:29Z)
• PURS: Personalized Unexpected Recommender System for Improving User Satisfaction [76.98616102965023]
  本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。 3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-06-05T01:33:21Z)
• User-Inspired Posterior Network for Recommendation Reason Generation [53.035224183349385]
  推奨理由生成は、顧客の関心を惹きつけ、ユーザーエクスペリエンスを向上させる上で重要な役割を果たします。 ユーザインスパイアされたマルチソース後部トランス(MSPT)を提案し,ユーザの興味を反映したモデルを誘導する。 実験の結果,本モデルは従来の生成モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-02-16T02:08:52Z)

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。