論文の概要: Understanding Distribution Structure on Calibrated Recommendation Systems

• arxiv url: http://arxiv.org/abs/2508.13568v1
• Date: Tue, 19 Aug 2025 06:59:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:31.826656
• Title: Understanding Distribution Structure on Calibrated Recommendation Systems
• Title（参考訳）: 校正レコメンデーションシステムの分布構造を理解する
• Authors: Diego Correa da Silva, Denis Robson Dantas Boaventura, Mayki dos Santos Oliveira, Eduardo Ferreira da Silva, Joel Machado Pires, Frederico Araújo Durão,
• Abstract要約: 従来のレコメンデーターシステムは、ユーザのプロフィールのあまり目立たない部分からジャンルを省略する。 推薦リストの表示領域を減らした校正レコメンデーションシステムを開発した。 映画領域から3つのデータセットのユーザパターンを評価する。
• 参考スコア（独自算出の注目度）: 2.6718643310547607
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional recommender systems aim to generate a recommendation list comprising the most relevant or similar items to the user's profile. These approaches can create recommendation lists that omit item genres from the less prominent areas of a user's profile, thereby undermining the user's experience. To solve this problem, the calibrated recommendation system provides a guarantee of including less representative areas in the recommended list. The calibrated context works with three distributions. The first is from the user's profile, the second is from the candidate items, and the last is from the recommendation list. These distributions are G-dimensional, where G is the total number of genres in the system. This high dimensionality requires a different evaluation method, considering that traditional recommenders operate in a one-dimensional data space. In this sense, we implement fifteen models that help to understand how these distributions are structured. We evaluate the users' patterns in three datasets from the movie domain. The results indicate that the models of outlier detection provide a better understanding of the structures. The calibrated system creates recommendation lists that act similarly to traditional recommendation lists, allowing users to change their groups of preferences to the same degree.
• Abstract（参考訳）: 従来のレコメンデーターシステムは、ユーザのプロファイルに最も関連性のある、あるいは類似したアイテムからなるレコメンデーションリストを作成することを目的としている。 これらのアプローチは、ユーザのプロファイルのあまり目立たない領域からアイテムのジャンルを省略するレコメンデーションリストを作成することで、ユーザのエクスペリエンスを損なうことができる。 この問題を解決するため、校正されたレコメンデーションシステムは、レコメンデーションリストにより少ない代表領域を含む保証を提供する。 キャリブレーションされた文脈は3つの分布で機能する。 1つはユーザのプロファイルから、2つ目は候補項目から、もう1つはレコメンデーションリストからである。 これらの分布は G 次元であり、G は系のジャンルの総数である。 この高次元性は、従来のレコメンデータが1次元のデータ空間で動作することを考慮し、異なる評価方法を必要とする。 この意味で、これらの分布がどのように構成されているかを理解するのに役立つ15のモデルを実装します。 映画領域から3つのデータセットのユーザパターンを評価する。 その結果,外乱検出モデルの方が構造をよりよく理解できることがわかった。 キャリブレーションされたシステムは、従来のレコメンデーションリストと同様に振る舞うレコメンデーションリストを作成し、ユーザーは好みのグループを同じ程度に変更できる。

関連論文リスト

• LettinGo: Explore User Profile Generation for Recommendation System [45.40232561275015]
  本稿では,多様なユーザプロファイルを生成するための新しいフレームワークであるLetinGoを紹介する。 我々のフレームワークは、推奨精度、柔軟性、文脈認識を著しく向上させます。
  論文  参考訳（メタデータ） (2025-06-23T05:51:52Z)
• Preference Diffusion for Recommendation [50.8692409346126]
  DMベースのレコメンデータに適した最適化対象であるPreferDiffを提案する。 PreferDiffは、BPRをログライクなランキング目標に変換することで、ユーザの好みをよりよく把握する。 これはDMベースのレコメンデーション向けに特別に設計された、パーソナライズされたランキングの損失である。
  論文  参考訳（メタデータ） (2024-10-17T01:02:04Z)
• Cold-start Recommendation by Personalized Embedding Region Elicitation [14.78070264373809]
  既存のelicitationメソッドは、ユーザの好みを学習するために、固定されたアイテムセットを使用する。 本稿では、この課題を2段階のパーソナライズド・エイコレーション・スキームを用いて解決する。 提案手法では,各サブプロブレムを効率よく実装可能であることを示す。
  論文  参考訳（メタデータ） (2024-06-03T04:03:24Z)
• Ada-Retrieval: An Adaptive Multi-Round Retrieval Paradigm for Sequential Recommendations [50.03560306423678]
  本稿では,レコメンダシステムのための適応型マルチラウンド検索パラダイムであるAda-Retrievalを提案する。 Ada-Retrievalは、ユーザー表現を反復的に洗練し、全項目領域の潜在的な候補をよりよく捉えます。
  論文  参考訳（メタデータ） (2024-01-12T15:26:40Z)
• 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)
• Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
  我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。 本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。 我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
  論文  参考訳（メタデータ） (2022-07-04T17:49:25Z)
• Introducing a Framework and a Decision Protocol to Calibrate Recommender Systems [0.0]
  本稿では,ジャンルの校正バランスを考慮したレコメンデーションリスト作成手法を提案する。 主な主張は、キャリブレーションはより公平なレコメンデーションを生み出すために肯定的に貢献できるということである。 本稿では,1000以上の校正システムの組み合わせを生成するための概念的フレームワークと決定プロトコルを提案する。
  論文  参考訳（メタデータ） (2022-04-07T19:30:55Z)
• Embedding Ranking-Oriented Recommender System Graphs [10.74267520911262]
  グラフベースのランキング指向推薦フレームワークであるPGRecを提案する。 提案手法の性能評価を行った結果,異なるMovieLensデータセットのNDCG@10において,PGRecはベースラインアルゴリズムよりも3.2%高い性能を示した。
  論文  参考訳（メタデータ） (2020-07-31T16:56:54Z)

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。