論文の概要: Privacy Preserving Inference of Personalized Content for Out of Matrix Users
- arxiv url: http://arxiv.org/abs/2508.14905v1
- Date: Tue, 12 Aug 2025 02:55:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-22 16:26:45.998066
- Title: Privacy Preserving Inference of Personalized Content for Out of Matrix Users
- Title（参考訳）: マトリックス利用者のパーソナライズされたコンテンツのプライバシ保護
- Authors: Michael Sun, Tai Vu, Andrew Wang,
- Abstract要約: DeepNaniNetは、ユーザとイテムのインタラクション、アイテムとイテムの関係、BERTから派生したリッチテキストレビューの埋め込みを組み合わせた、ディープニューラルネットワークレコメンデーションフレームワークである。
本設計では,新規な"コンテンツバスケット"ユーザ表現と,目に見えないユーザを対象としたオートエンコーダに基づく一般化戦略を用いて,プロファイルマイニングを使わずにコールドスタートレコメンデーションを実現する。
DeepNaniNetは、CiteULikeベンチマークで最先端のコールドスタート結果を達成し、行列外ユーザのパフォーマンス劣化のないユーザリコールでDropoutNetにマッチし、アニメ上での重み付きマトリックスファクタライゼーション(WMF)とDropoutNetより優れています。
- 参考スコア（独自算出の注目度）: 2.6817508430601924
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recommender systems for niche and dynamic communities face persistent challenges from data sparsity, cold start users and items, and privacy constraints. Traditional collaborative filtering and content-based approaches underperform in these settings, either requiring invasive user data or failing when preference histories are absent. We present DeepNaniNet, a deep neural recommendation framework that addresses these challenges through an inductive graph-based architecture combining user-item interactions, item-item relations, and rich textual review embeddings derived from BERT. Our design enables cold start recommendations without profile mining, using a novel "content basket" user representation and an autoencoder-based generalization strategy for unseen users. We introduce AnimeULike, a new dataset of 10,000 anime titles and 13,000 users, to evaluate performance in realistic scenarios with high proportions of guest or low-activity users. DeepNaniNet achieves state-of-the-art cold start results on the CiteULike benchmark, matches DropoutNet in user recall without performance degradation for out-of-matrix users, and outperforms Weighted Matrix Factorization (WMF) and DropoutNet on AnimeULike warm start by up to 7x and 1.5x in Recall@100, respectively. Our findings demonstrate that DeepNaniNet delivers high-quality, privacy-preserving recommendations in data-sparse, cold start-heavy environments while effectively integrating heterogeneous content sources.
- Abstract（参考訳）: ニッチやダイナミックなコミュニティ向けのレコメンダシステムは、データスパシティ、コールドスタートユーザやアイテム、プライバシの制約など、永続的な課題に直面している。
従来のコラボレーティブなフィルタリングとコンテンツベースのアプローチは、侵入的なユーザデータを必要とするか、好みの履歴が欠如している場合にフェールするかのいずれかで、これらの設定ではパフォーマンスが低い。
提案するDeepNaniNetは,ユーザ-イテムインタラクション,アイテム-イテム関係,BERTから派生したリッチテキストレビュー埋め込みを組み合わせた,インダクティブグラフベースのアーキテクチャを通じて,これらの課題に対処するディープニューラルレコメンデーションフレームワークである。
本設計では,新規な"コンテンツバスケット"ユーザ表現と,目に見えないユーザを対象としたオートエンコーダに基づく一般化戦略を用いて,プロファイルマイニングを使わずにコールドスタートレコメンデーションを実現する。
1万のアニメタイトルと13,000のユーザからなる新しいデータセットAnimeULikeを導入し、ゲストや低アクティビティなユーザの割合で現実的なシナリオのパフォーマンスを評価する。
DeepNaniNetは、CiteULikeベンチマークで最先端のコールドスタートを達成し、マトリクス外ユーザのパフォーマンス劣化のないユーザリコールにおけるDropoutNetと、AnimeULikeにおけるWeighted Matrix Factorization(WMF)とDropoutNetをそれぞれ、Recall@100で最大7倍と1.5倍のウォームスタートで比較する。
以上の結果から,DeepNaniNetは,異種コンテンツソースを効果的に統合しつつ,データスパースでコールドスタートヘビーな環境において,高品質でプライバシ保護のレコメンデーションを提供することがわかった。
関連論文リスト
- Multi-agents based User Values Mining for Recommendation [52.26100802380767]
効率的なユーザ値抽出のためのゼロショットマルチLLM協調フレームワークを提案する。
本研究は,本質的な意味を保ちながら,項目内容のコンデンスにテキスト要約手法を適用した。
幻覚を緩和するために,評価役と監督役の2つの特殊エージェントの役割を導入する。
論文 参考訳（メタデータ） (2025-05-02T04:01:31Z) - FSPO: Few-Shot Preference Optimization of Synthetic Preference Data in LLMs Elicits Effective Personalization to Real Users [111.56469697145519]
メタ学習問題として報酬モデルを再設計するFew-Shot Preference Optimizationを提案する。
このフレームワークでは、LDMはそのユーザからいくつかのラベル付けされた好みを通じてユーザへの迅速な適応を学び、パーソナライズされた報酬関数を構築する。
公開されているLLMを用いて100万以上の合成パーソナライズされた好みを生成する。
本研究は,映画レビュー,教育背景に基づく教育適応,一般質問応答の3分野を対象に,最大1,500人の総合ユーザを対象に,パーソナライズされたオープンエンド世代に対するFSPOの評価を行った。
論文 参考訳（メタデータ） (2025-02-26T17:08:46Z) - 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) - Federated Heterogeneous Graph Neural Network for Privacy-preserving
Recommendation [45.39171059168941]
ヘテロジニアス・インフォメーション・ネットワーク (HIN) は、レコメンデーションシステムにおけるデータの分散を緩和するための強力なツールである。
本稿では,HINをクライアント側に保存されたプライベートなHINに分割し,サーバ上で共有する手法を提案する。
我々は、差分プライバシーの観点から、HINベースのフェデレーションレコメンデーション(FedRec)のプライバシー定義を定式化する。
論文 参考訳（メタデータ） (2023-10-18T05:59:41Z) - 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) - Joint Training Capsule Network for Cold Start Recommendation [64.35879555545749]
本稿では,コールドスタート推薦タスクのための新しいニューラルネットワーク,ジョイントトレーニングカプセルネットワーク(JTCN)を提案する。
低レベルのインタラクション履歴から高レベルのユーザ嗜好を集約するために、注意深いカプセル層を提案する。
2つの公開データセットの実験では、提案モデルの有効性が示されている。
論文 参考訳（メタデータ） (2020-05-23T04:27:38Z)
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。