論文の概要: SocRipple: A Two-Stage Framework for Cold-Start Video Recommendations

• arxiv url: http://arxiv.org/abs/2508.07241v1
• Date: Sun, 10 Aug 2025 08:37:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.771186
• Title: SocRipple: A Two-Stage Framework for Cold-Start Video Recommendations
• Title（参考訳）: SocRipple:コールドスタートビデオレコメンデーションのための2段階フレームワーク
• Authors: Amit Jaspal, Kapil Dalwani, Ajantha Ramineni,
• Abstract要約: ソーシャルグラフベースのプラットフォーム上でのコールドスタートアイテム配信に適した,新たな2段階検索フレームワークであるSocRippleを提案する。 ステージ1は、クリエーターのソーシャルコネクションを活用して、ターゲットとする初期露光を狙う。ステージ2は、初期のエンゲージメント信号と、歴史的なインタラクションから学んだ安定したユーザ埋め込みに基づいて、K Nearest Neighbor (KNN)サーチを介して、外部に"リップ"する。 SocRippleは、コールドスタートアイテムのユーザエンゲージメント率を維持しながら、コールドスタートアイテムの配布を+36%向上させる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most industry scale recommender systems face critical cold start challenges new items lack interaction history, making it difficult to distribute them in a personalized manner. Standard collaborative filtering models underperform due to sparse engagement signals, while content only approaches lack user specific relevance. We propose SocRipple, a novel two stage retrieval framework tailored for coldstart item distribution in social graph based platforms. Stage 1 leverages the creators social connections for targeted initial exposure. Stage 2 builds on early engagement signals and stable user embeddings learned from historical interactions to "ripple" outwards via K Nearest Neighbor (KNN) search. Large scale experiments on a major video platform show that SocRipple boosts cold start item distribution by +36% while maintaining user engagement rate on cold start items, effectively balancing new item exposure with personalized recommendations.
• Abstract（参考訳）: ほとんどの産業規模のレコメンデータシステムは、新しいアイテムにはインタラクション履歴が欠如しており、パーソナライズされた方法で配布することが困難である、重大なコールドスタートの課題に直面しています。 標準的な協調フィルタリングモデルは、少ないエンゲージメント信号によって性能が低下する一方、コンテンツのみのアプローチでは、ユーザ固有の関連性が欠如している。 ソーシャルグラフベースのプラットフォーム上でのコールドスタートアイテム配信に適した,新たな2段階検索フレームワークであるSocRippleを提案する。 ステージ1は、クリエイターのソーシャル接続を活用して、ターゲットとする初期露光を行う。 ステージ2は、K Nearest Neighbor (KNN)サーチを通じて、歴史的なインタラクションから学んだ初期のエンゲージメント信号と安定したユーザ埋め込みに基づいて構築される。 主要なビデオプラットフォームでの大規模な実験によると、SocRippleはコールドスタートアイテムの配布を+36%増やし、コールドスタートアイテムのユーザエンゲージメント率を維持し、新しいアイテムの露出とパーソナライズされたレコメンデーションのバランスをとる。

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)
• Personalized Diffusion Model Reshapes Cold-Start Bundle Recommendation [2.115789253980982]
  本稿では,各ユーザがコールドスタート課題に取り組むために,分散空間にバンドルを生成する新しい手法を提案する。 DisCoはパーソナライズされたDiffusionのバックボーンに依存しており、ユーザーの興味をゆがめられたアスペクトによって強化されている。 DisCoは3つの実世界のデータセットに対して大きなマージンで5つのベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-05-20T20:52:31Z)
• Bake Two Cakes with One Oven: RL for Defusing Popularity Bias and Cold-start in Third-Party Library Recommendations [5.874782446136913]
  サードパーティ製ライブラリ(TPL)は現代のソフトウェア開発において不可欠な部分となり、開発者の生産性を高め、市場投入までの時間を短縮している。 通常、コラボレーティブ・フィルタリング(CF)に依存しており、レコメンデーションを行う際に2次元のプロジェクト・ライブラリ・マトリックス(一般的にはユーザ・イテム)を利用する。 本稿では,TPLレコメンデーションにおける人気バイアスとコールドスタート問題に対処するための強化学習(RL)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2025-04-18T16:17:20Z)
• Language-Model Prior Overcomes Cold-Start Items [14.370472820496802]
  RecSysの成長は、デジタル化と、eコマースやビデオストリーミングなどの分野におけるパーソナライズされたコンテンツの必要性による。 コンテンツベースのレコメンデータやハイブリッドメソッドといったコールドスタート問題の既存のソリューションは、アイテムメタデータを活用してアイテムの類似性を決定する。 本稿では,言語モデル(LM)を用いて項目類似度を推定する,コールドスタートアイテムレコメンデーションのための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-11-13T22:45:52Z)
• Firzen: Firing Strict Cold-Start Items with Frozen Heterogeneous and Homogeneous Graphs for Recommendation [34.414081170244955]
  厳密なコールドスタートとウォームスタートのレコメンデーションを解決するために,項目と知識グラフのマルチモーダルコンテンツ(KG)を統合した統合フレームワークを提案する。 我々のモデルでは,厳密なコールドスタート勧告と,ウォームスタートシナリオにおける最先端性能に適合する性能の向上が期待できる。
  論文  参考訳（メタデータ） (2024-10-10T06:48:27Z)
• Multi-task Item-attribute Graph Pre-training for Strict Cold-start Item Recommendation [71.5871100348448]
  ColdGPTは、アイテム内容からきめ細かい属性を抽出することにより、アイテム属性相関をアイテム属性グラフにモデル化する。 ColdGPTは、さまざまな利用可能なデータソース、すなわちアイテムの内容、過去の購入シーケンス、既存のアイテムのレビューテキストから、知識をアイテム属性グラフに転送する。 大規模な実験により、ColdGPTは既存のSCSレコメンデーターを大きなマージンで一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-06-26T07:04:47Z)
• Sequential Recommendation via Stochastic Self-Attention [68.52192964559829]
  Transformerベースのアプローチでは、アイテムをベクトルとして埋め込んで、ドット積の自己アテンションを使用してアイテム間の関係を測定する。 本稿では,これらの問題を克服するための新しいtextbfStochastic textbfSelf-textbfAttention (STOSA) を提案する。 我々は、アイテムと項目の位置関係を列で特徴づける新しいワッサースタイン自己保持モジュールを考案した。
  論文  参考訳（メタデータ） (2022-01-16T12:38:45Z)
• Federated Social Recommendation with Graph Neural Network [69.36135187771929]
  本稿では,ソーシャル情報とユーザ・イテムの相互作用を融合させることにより,ソーシャル・レコメンデーションの問題であるソーシャル・リコメンデーションの緩和を提案する。 我々は textbfGraph Neural Network (FeSoG) を用いた textbfFedrated textbfSocial 推薦フレームワークを考案した。
  論文  参考訳（メタデータ） (2021-11-21T09:41:39Z)
• Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
  コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。 MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
  論文  参考訳（メタデータ） (2021-10-18T08:11:24Z)
• Privileged Graph Distillation for Cold Start Recommendation [57.918041397089254]
  レコメンデーションシステムにおけるコールドスタートの問題は、歴史的相互作用の記録のない属性に基づいて新しいユーザー(イテム)に推奨することである。 特権グラフ蒸留モデル(PGD)を提案する。 提案手法は,新規ユーザ,新規ユーザ,新規ユーザを対象とする異なるコールドスタートシナリオに適用可能である。
  論文  参考訳（メタデータ） (2021-05-31T14:05:27Z)
• Seamlessly Unifying Attributes and Items: Conversational Recommendation for Cold-Start Users [111.28351584726092]
  コールドスタートユーザに対しては,属性を問うと同時に,ユーザに対して対話的に商品を推薦する,対話型レコメンデーションを提案する。 会話型トンプソンサンプリング(ConTS)モデルでは,最大報酬の腕を選択することで,対話型レコメンデーションにおけるすべての質問を一意に解決する。
  論文  参考訳（メタデータ） (2020-05-23T08:56:37Z)

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。