論文の概要: Informfully Recommenders -- Reproducibility Framework for Diversity-aware Intra-session Recommendations

• arxiv url: http://arxiv.org/abs/2508.13019v1
• Date: Mon, 18 Aug 2025 15:37:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:11.456591
• Title: Informfully Recommenders -- Reproducibility Framework for Diversity-aware Intra-session Recommendations
• Title（参考訳）: Informfully Recommenders --diversity-aware intra-session Recommendationsのための再現性フレームワーク
• Authors: Lucien Heitz, Runze Li, Oana Inel, Abraham Bernstein,
• Abstract要約: Informfully RecommendersはCornac上に構築された多様性を意識した設計に焦点を当てた規範的フレームワークへの第一歩です。 我々の拡張は、規範的で汎用的な多様なレコメンデーションシステムの実装と実験のためのエンドツーエンドソリューションを提供する。
• 参考スコア（独自算出の注目度）: 11.182710883907216
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Norm-aware recommender systems have gained increased attention, especially for diversity optimization. The recommender systems community has well-established experimentation pipelines that support reproducible evaluations by facilitating models' benchmarking and comparisons against state-of-the-art methods. However, to the best of our knowledge, there is currently no reproducibility framework to support thorough norm-driven experimentation at the pre-processing, in-processing, post-processing, and evaluation stages of the recommender pipeline. To address this gap, we present Informfully Recommenders, a first step towards a normative reproducibility framework that focuses on diversity-aware design built on Cornac. Our extension provides an end-to-end solution for implementing and experimenting with normative and general-purpose diverse recommender systems that cover 1) dataset pre-processing, 2) diversity-optimized models, 3) dedicated intrasession item re-ranking, and 4) an extensive set of diversity metrics. We demonstrate the capabilities of our extension through an extensive offline experiment in the news domain.
• Abstract（参考訳）: ノーム・アウェア・レコメンダ・システムは特に多様性の最適化において注目を集めている。 推奨システムコミュニティは、モデルベンチマークの促進と最先端の手法との比較によって再現可能な評価をサポートする、十分に確立された実験パイプラインを持っている。 しかしながら、私たちの知る限りでは、現在、レコメンダパイプラインの前処理、内処理、後処理、評価段階において、徹底的な標準駆動の実験をサポートする再現性フレームワークはありません。 このギャップに対処するために、我々はCornac上に構築された多様性を考慮した設計に焦点を当てた規範的再現性フレームワークに向けた第一歩であるInformfully Recommendersを紹介します。 我々の拡張は、標準的で汎用的な多様なレコメンデーションシステムの実装と実験のためのエンドツーエンドソリューションを提供する。 1) データセットの事前処理 2)多様性最適化モデル 3 専用引渡し品の再ランク付け、及び 4) 広範な多様性指標のセット。 我々は、ニュース領域における広範囲なオフライン実験を通じて、拡張の能力を実証する。

関連論文リスト

• Does Multimodality Improve Recommender Systems as Expected? A Critical Analysis and Future Directions [52.21847626165085]
  マルチモーダルレコメンデーションシステムは、多種多様なデータ型を統合することで、パフォーマンスを向上させる可能性が高まっている。 しかし、この統合の実際の利点ははっきりしないままであり、いつ、どのように本当にレコメンデーションを強化するのかという疑問が持ち上がっている。 4次元にわたるマルチモーダルレコメンデーションを体系的に評価するための構造化評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-07T13:21:00Z)
• Bayesian-Guided Diversity in Sequential Sampling for Recommender Systems [1.675857332621569]
  本稿では,多目的・文脈的な逐次サンプリング戦略を活用する新しいフレームワークを提案する。 アイテムの選択は、多様性を最適化するためにスコアを動的に調整するベイジアン更新によってガイドされる。 実世界のデータセットを用いた実験により、我々のアプローチは妥当性を犠牲にすることなく多様性を著しく改善することが示された。
  論文  参考訳（メタデータ） (2025-06-22T19:36:02Z)
• Generative Recommender with End-to-End Learnable Item Tokenization [51.82768744368208]
  ETEGRecは、アイテムのトークン化と生成レコメンデーションを結合的なフレームワークに統合する、新しいエンドツーエンド生成レコメンダである。 ETEGRecは、アイテムトークンライザと、デュアルエンコーダ-デコーダアーキテクチャ上に構築された生成レコメンデータで構成されている。 我々は、フレームワーク全体の安定的で効率的なエンドツーエンドトレーニングを保証するために、交互に最適化する手法を開発した。
  論文  参考訳（メタデータ） (2024-09-09T12:11:53Z)
• DLCRec: A Novel Approach for Managing Diversity in LLM-Based Recommender Systems [9.433227503973077]
  LLMに基づくレコメンデーションにおいて,多様性のきめ細かい制御を可能にする新しいフレームワークを提案する。 従来の方法とは異なり、DLCRecはきめ細かいタスク分解戦略を採用し、推奨プロセスを3つのサブタスクに分割する。 本稿では,ノイズやアウト・オブ・ディストリビューションデータに対するモデルの堅牢性を高める2つのデータ拡張手法を提案する。
  論文  参考訳（メタデータ） (2024-08-22T15:10:56Z)
• Towards a Theoretical Understanding of Two-Stage Recommender Systems [0.5439020425819]
  プロダクショングレードのレコメンダシステムは、Netflix、Pinterest、Amazonなど、オンラインメディアサービスで使用されている大規模なコーパスに大きく依存している。 最適なレコメンデータシステムに強い収束をもたらす2段階レコメンデータの挙動について検討する。 本研究では,2段階のレコメンデータが,商品の属性や属性が評価に与える影響をカプセル化できることを数値的に示す。
  論文  参考訳（メタデータ） (2024-02-23T21:11:55Z)
• Impression-Aware Recommender Systems [53.48892326556546]
  本稿ではインプレッションを用いたレコメンデーションシステムに関する体系的な文献レビューを行う。 本稿では,印象型レコメンデーションシステムと,印象型レコメンデーションシステムという,パーソナライズされたレコメンデーションのための新しいパラダイムを論じる。
  論文  参考訳（メタデータ） (2023-08-15T16:16:02Z)
• Breaking Feedback Loops in Recommender Systems with Causal Inference [99.22185950608838]
  近年の研究では、フィードバックループが推奨品質を損なう可能性があり、ユーザの振る舞いを均質化している。 本稿では、因果推論を用いてフィードバックループを確実に破壊するアルゴリズムCAFLを提案する。 従来の補正手法と比較して,CAFLは推奨品質を向上することを示す。
  論文  参考訳（メタデータ） (2022-07-04T17:58:39Z)
• Simultaneous Relevance and Diversity: A New Recommendation Inference Approach [81.44167398308979]
  本稿では,新しいCF推論手法である負対陽性を導入することにより,一般協調フィルタリング(CF)を拡張した新しい手法を提案する。 我々のアプローチは、様々な高度なレベルでの幅広い推奨シナリオ/ユースケースに適用できる。 公開データセットと実世界の生産データに関する分析と実験により、我々のアプローチは、関連性および多様性に関する既存の手法を同時に上回ることを示した。
  論文  参考訳（メタデータ） (2020-09-27T22:20:12Z)

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。