論文の概要: Req-Rec: Enhancing Requirements Elicitation for Increasing Stakeholder's Satisfaction Using a Collaborative Filtering Based Recommender System

• arxiv url: http://arxiv.org/abs/2508.01502v1
• Date: Sat, 02 Aug 2025 21:53:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 14:06:24.170796
• Title: Req-Rec: Enhancing Requirements Elicitation for Increasing Stakeholder's Satisfaction Using a Collaborative Filtering Based Recommender System
• Title（参考訳）: Req-Rec:協調フィルタリングに基づくレコメンダシステムによる利害関係者満足度向上のための要求緩和
• Authors: Ali Fallahi, Amineh Amini, Azam Bastanfard, Hadi Saboohi,
• Abstract要約: Req-Recの第一の目的は、要件適用段階において、利害関係者の満足度を高めることである。 その結果, 提案手法は, 共通要求抽出手法の弱点を効果的に克服することができた。
• 参考スコア（独自算出の注目度）: 7.330085696471743
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The success or failure of a project is highly related to recognizing the right stakeholders and accurately finding and discovering their requirements. However, choosing the proper elicitation technique was always a considerable challenge for efficient requirement engineering. As a consequence of the swift improvement of digital technologies since the past decade, recommender systems have become an efficient channel for making a deeply personalized interactive communication with stakeholders. In this research, a new method, called the Req-Rec (Requirements Recommender), is proposed. It is a hybrid recommender system based on the collaborative filtering approach and the repertory grid technique as the core component. The primary goal of Req-Rec is to increase stakeholder satisfaction by assisting them in the requirement elicitation phase. Based on the results, the method efficiently could overcome weaknesses of common requirement elicitation techniques, such as time limitation, location-based restrictions, and bias in requirements' elicitation process. Therefore, recommending related requirements assists stakeholders in becoming more aware of different aspects of the project.
• Abstract（参考訳）: プロジェクトの成功や失敗は、適切な利害関係者を認識し、彼らの要求を正確に見つけ、発見することと非常に関係しています。 しかし、適切なエレケーション技術を選択することは、常に効率的な要求工学にとって重要な課題であった。 過去10年間のデジタル技術の急速な改善の結果、リコメンダシステムはステークホルダーと深くパーソナライズされた対話コミュニケーションを実現するための効率的なチャネルとなっている。 本研究ではReq-Rec(Requirements Recommender)と呼ばれる新しい手法を提案する。 協調フィルタリング手法とコアコンポーネントとしてのレパートリーグリッド技術に基づくハイブリッドレコメンデータシステムである。 Req-Recの第一の目的は、要件適用段階において、利害関係者の満足度を高めることである。 この手法は, 時間制限, 位置に基づく制限, 要求の引き込みプロセスのバイアスといった, 一般的な要求引き込み手法の弱点を効果的に克服することができる。 したがって、関連する要件を推奨することは、ステークホルダーがプロジェクトの異なる側面をより意識するのを助ける。

関連論文リスト

• RecGPT Technical Report [57.84251629878726]
  本稿では,レコメンデーションパイプラインの中心にユーザの意図を配置する次世代フレームワークRecGPTを提案する。 RecGPTは、大きな言語モデルをユーザ関心のマイニング、アイテム検索、説明生成のキーステージに統合する。 オンライン実験では、RecGPTが利害関係者間で一貫したパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-07-30T17:55:06Z)
• Reinforced Informativeness Optimization for Long-Form Retrieval-Augmented Generation [77.10390725623125]
  LFQA(Long-form Question answering)は、大規模言語モデルに固有の課題を提示する。 RioRAGは、強化情報性最適化を通じて長めのRAGを進化させる新しい強化学習フレームワークである。
  論文  参考訳（メタデータ） (2025-05-27T07:34:41Z)
• Think Only When You Need with Large Hybrid-Reasoning Models [121.55211364358662]
  LHRM(Large Hybrid-Reasoning Model) ユーザクエリのコンテキスト情報に基づいて思考を行うか否かを適応的に決定できるモデル。 実験の結果, LHRMsは, 様々な難易度, 種別の問合せに対して, 適応的にハイブリッド思考を行うことができた。
  論文  参考訳（メタデータ） (2025-05-20T17:23:25Z)
• RECOVER: Toward Requirements Generation from Stakeholders' Conversations [10.706772429994384]
  本稿では,会話要求工学の新たなアプローチであるRECOVERを紹介する。 利害関係者のインタラクションからシステム要件を自動的に抽出する実践者を支援する。 経験的評価は、十分な正確性、完全性、実行可能性を示す要求が生成された、有望なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-11-29T08:52:40Z)
• An Efficient Multi-threaded Collaborative Filtering Approach in Recommendation System [0.0]
  本研究は,多数のユーザを効率的に扱えるスケーラブルなレコメンデーションシステムの構築に焦点を当てる。 これを実現するために、マルチスレッドの類似性アプローチが採用されている。 この並列化は従来の手法に比べて計算時間を著しく短縮し、高速で効率的でスケーラブルなレコメンデーションシステムをもたらす。
  論文  参考訳（メタデータ） (2024-09-28T06:33:18Z)
• A Thorough Performance Benchmarking on Lightweight Embedding-based Recommender Systems [67.52782366565658]
  State-of-the-art recommender system (RS) は、埋め込みベクトルによって符号化される分類的特徴に依存し、結果として非常に大きな埋め込みテーブルとなる。 軽量埋め込み型RSの繁栄にもかかわらず、評価プロトコルには幅広い多様性が見られる。 本研究では, LERSの性能, 効率, クロスタスク転送性について, 徹底的なベンチマークによる検討を行った。
  論文  参考訳（メタデータ） (2024-06-25T07:45:00Z)
• DNS-Rec: Data-aware Neural Architecture Search for Recommender Systems [79.76519917171261]
  本稿では,SRS(Sequential Recommender Systems)における計算オーバーヘッドと資源非効率性について述べる。 本稿では, プルーニング法と高度なモデル設計を組み合わせた革新的な手法を提案する。 我々の主な貢献は、リコメンダシステム(DNS-Rec)のためのデータ対応ニューラルアーキテクチャ検索の開発である。
  論文  参考訳（メタデータ） (2024-02-01T07:22:52Z)
• Embedding in Recommender Systems: A Survey [67.67966158305603]
  重要な側面は、ユーザやアイテムIDといった高次元の離散的な特徴を低次元連続ベクトルに包含する技法である。 埋め込み技術の適用は複雑なエンティティ関係を捉え、かなりの研究を刺激している。 この調査では、協調フィルタリング、自己教師付き学習、グラフベースのテクニックなどの埋め込み手法を取り上げている。
  論文  参考訳（メタデータ） (2023-10-28T06:31:06Z)
• A Review on Pushing the Limits of Baseline Recommendation Systems with the integration of Opinion Mining & Information Retrieval Techniques [0.0]
  Recommendation Systemsでは、利用者の期待にタイムリーかつ関連性がありながら、コミュニティ内のトレンドアイテムを識別することができる。 より優れた品質のレコメンデーションを達成するために、ディープラーニングの手法が提案されている。 研究者たちは、最も効果的なレコメンデーションを提供するために、標準レコメンデーションシステムの能力を拡大しようと試みている。
  論文  参考訳（メタデータ） (2022-05-03T22:13:33Z)
• High Quality Related Search Query Suggestions using Deep Reinforcement Learning [0.15229257192293202]
  The High Quality Related Search Query Suggestions” タスクは,リアルタイムで正確で,多様な,関連性の高い検索クエリを推奨することを目的としている。 私たちは、ユーザが次に入力するクエリを予測するために、Deep Reinforcement Learningモデルをトレーニングします。 報酬信号は、長期セッションベースのユーザフィードバック、構文的関連性、および生成されたクエリの自然性から成り立っている。
  論文  参考訳（メタデータ） (2021-08-10T05:22:32Z)
• A Hybrid Recommender System for Recommending Smartphones to Prospective Customers [0.7310043452300736]
  ハイブリッドレコメンデータシステムは、補完的な利点の恩恵を受けるために、さまざまな方法で複数のレコメンデーション戦略を組み合わせる。 いくつかのハイブリッドレコメンデータシステムは、より堅牢なビルドシステムに対する協調フィルタリングとコンテンツベースのアプローチを組み合わせています。 本稿では,Alternative Least Squares(ALS)に基づく協調フィルタリングとディープラーニングを組み合わせたハイブリッドレコメンデーションシステムを提案する。
  論文  参考訳（メタデータ） (2021-05-26T23:10:51Z)
• Self-Supervised Reinforcement Learning for Recommender Systems [77.38665506495553]
  逐次リコメンデーションタスクのための自己指導型強化学習を提案する。 提案手法は,2つの出力層を持つ標準レコメンデーションモデルを強化する。 このようなアプローチに基づいて、自己監督型Q-ラーニング(SQN)と自己監督型アクター・クライブ(SAC)という2つのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-10T11:18:57Z)

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。