論文の概要: Recommendation Is a Dish Better Served Warm

• arxiv url: http://arxiv.org/abs/2508.07856v1
• Date: Mon, 11 Aug 2025 11:14:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:29.061668
• Title: Recommendation Is a Dish Better Served Warm
• Title（参考訳）: レコメンデーションは、サーブド・ワームよりも良い
• Authors: Danil Gusak, Nikita Sukhorukov, Evgeny Frolov,
• Abstract要約: 本研究では,冷間開始境界について,利用者や項目が冷間と見なされるべきかどうかを判断するための基準を検討することにより,体系的に検討する。 以上の結果から,寒冷開始しきい値の不整合の選択は,不要なデータ除去につながるか,あるいは寒冷インスタンスの誤分類につながる可能性が示唆された。
• 参考スコア（独自算出の注目度）: 0.6827423171182154
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In modern recommender systems, experimental settings typically include filtering out cold users and items based on a minimum interaction threshold. However, these thresholds are often chosen arbitrarily and vary widely across studies, leading to inconsistencies that can significantly affect the comparability and reliability of evaluation results. In this paper, we systematically explore the cold-start boundary by examining the criteria used to determine whether a user or an item should be considered cold. Our experiments incrementally vary the number of interactions for different items during training, and gradually update the length of user interaction histories during inference. We investigate the thresholds across several widely used datasets, commonly represented in recent papers from top-tier conferences, and on multiple established recommender baselines. Our findings show that inconsistent selection of cold-start thresholds can either result in the unnecessary removal of valuable data or lead to the misclassification of cold instances as warm, introducing more noise into the system.
• Abstract（参考訳）: 現代のレコメンデーションシステムでは、実験的な設定は、通常、最小の相互作用しきい値に基づいて冷やしたユーザーやアイテムをフィルタリングする。 しかしながら、これらのしきい値はしばしば任意に選択され、研究によって大きく異なるため、評価結果の可視性と信頼性に大きな影響を及ぼす不整合が生じる。 本稿では,ユーザやアイテムがコールド・スタート・バウンダリであるかどうかを判断するための基準を検討することで,コールド・スタート・バウンダリを体系的に探索する。 実験では、トレーニング中の異なる項目のインタラクション数を段階的に変化させ、推論中のユーザインタラクション履歴の長さを徐々に更新する。 我々は、上位層会議の最近の論文や、複数の確立された推奨基準に基づいて、広く使われているいくつかのデータセットのしきい値について調査する。 以上の結果から, コールドスタート閾値の不整合の選択は, 貴重なデータの不要な除去につながるか, あるいは, コールドインスタンスを温かさとして誤分類し, システムにより多くのノイズをもたらす可能性があることが示唆された。

関連論文リスト

• Not Just What, But When: Integrating Irregular Intervals to LLM for Sequential Recommendation [4.929399529593514]
  購入項目間の時間間隔は、シーケンシャルなレコメンデーションタスクにおいて重要な要素である。 インターバル情報をLLMに統合するフレームワークであるIntervalLLMを提案する。 実験の結果, IntervalLLMは平均4.4%の改善が得られたが, 最高性能の温冷シナリオも達成できた。
  論文  参考訳（メタデータ） (2025-07-31T03:05:05Z)
• Variations in Relevance Judgments and the Shelf Life of Test Collections [50.060833338921945]
  ニューラル検索設定における先行研究を再現し、評価者の不一致がシステムランキングに影響を及ぼさないことを示す。 我々は、新しい関係判断によって、いくつかのモデルが著しく劣化し、既にランク付け者としての人間の有効性に到達していることを観察した。
  論文  参考訳（メタデータ） (2025-02-28T10:46:56Z)
• 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)
• Our Model Achieves Excellent Performance on MovieLens: What Does it Mean? [43.3971105361606]
  我々は、MovieLensデータセットの綿密な分析を行う。 MovieLensプラットフォームと対話する場合、異なる段階でのユーザインタラクションには大きな違いがある。 そこで本研究では,MovieLensシステムで使用されるインタラクション生成機構と,一般的な実世界のレコメンデーションシナリオとの相違について論じる。
  論文  参考訳（メタデータ） (2023-07-19T13:44:32Z)
• In Search of Insights, Not Magic Bullets: Towards Demystification of the Model Selection Dilemma in Heterogeneous Treatment Effect Estimation [92.51773744318119]
  本稿では,異なるモデル選択基準の長所と短所を実験的に検討する。 選択戦略,候補推定器,比較に用いるデータの間には,複雑な相互作用があることを強調した。
  論文  参考訳（メタデータ） (2023-02-06T16:55:37Z)
• 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)
• Probabilistic and Variational Recommendation Denoising [56.879165033014026]
  暗黙のフィードバックから学ぶことは、推奨システムの適用において最も一般的なケースの1つである。 本稿では,暗黙のフィードバックに対する確率的・変動的推薦を提案する。 提案したDPIとDVAEを4つの最先端レコメンデーションモデルに適用し、3つのデータセットで実験を行う。
  論文  参考訳（メタデータ） (2021-05-20T08:59:44Z)
• Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback based Recommendation [59.183016033308014]
  本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。 提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
  論文  参考訳（メタデータ） (2021-05-16T08:06:22Z)

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。