論文の概要: Calibrated Recommendations with Contextual Bandits

• arxiv url: http://arxiv.org/abs/2509.05460v1
• Date: Fri, 05 Sep 2025 19:28:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.520847
• Title: Calibrated Recommendations with Contextual Bandits
• Title（参考訳）: 文脈帯域を用いた校正勧告
• Authors: Diego Feijer, Himan Abdollahpouri, Sanket Gupta, Alexander Clare, Yuxiao Wen, Todd Wasson, Maria Dimakopoulou, Zahra Nazari, Kyle Kretschman, Mounia Lalmas,
• Abstract要約: Spotifyのホームページには、音楽、ポッドキャスト、オーディオブックなど、さまざまなタイプのコンテンツが用意されている。 本稿では,各ユーザの最適なコンテンツ型分布を学習するために,コンテキスト的帯域幅を利用するキャリブレーション手法を提案する。 われわれのアプローチは、ユーザーが異なるタイプのコンテンツに興味を持つ方法に適応することでエンゲージメントを高める。
• 参考スコア（独自算出の注目度）: 38.16600171259238
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spotify's Home page features a variety of content types, including music, podcasts, and audiobooks. However, historical data is heavily skewed toward music, making it challenging to deliver a balanced and personalized content mix. Moreover, users' preference towards different content types may vary depending on the time of day, the day of week, or even the device they use. We propose a calibration method that leverages contextual bandits to dynamically learn each user's optimal content type distribution based on their context and preferences. Unlike traditional calibration methods that rely on historical averages, our approach boosts engagement by adapting to how users interests in different content types varies across contexts. Both offline and online results demonstrate improved precision and user engagement with the Spotify Home page, in particular with under-represented content types such as podcasts.
• Abstract（参考訳）: Spotifyのホームページには、音楽、ポッドキャスト、オーディオブックなど、さまざまなタイプのコンテンツが用意されている。 しかし、歴史的データは音楽に強く依存しているため、バランスのとれたパーソナライズされたコンテンツのミックスを提供することは困難である。 さらに、異なるコンテンツタイプに対するユーザの好みは、日時、週日、あるいは使用するデバイスによって異なります。 本研究では,コンテキスト的帯域幅を利用したキャリブレーション手法を提案し,そのコンテキストと好みに基づいて,ユーザの最適なコンテンツタイプ分布を動的に学習する。 歴史的平均に依存する従来のキャリブレーション手法とは異なり、私たちのアプローチは、ユーザーが異なるコンテンツタイプに関心を持つ方法に適応することでエンゲージメントを高める。 オフラインとオンラインの両方の結果は、Spotify Homeページの精度とユーザエンゲージメントの向上を示している。

関連論文リスト

• Content filtering methods for music recommendation: A review [1.104960878651584]
  本稿では、協調フィルタリング手法に固有のバイアス軽減におけるコンテンツフィルタリングの役割について論じる。 本稿では,Large Language Models (LLM) を用いた歌詞解析や音声信号処理など,コンテンツフィルタリングのための楽曲分類手法について検討する。
  論文  参考訳（メタデータ） (2025-07-03T03:44:20Z)
• Enhancing Sequential Music Recommendation with Personalized Popularity Awareness [56.972624411205224]
  本稿では、パーソナライズされた人気情報をシーケンシャルなレコメンデーションに組み込む新しいアプローチを提案する。 実験結果から、パーソナライズされた最もポピュラーなレコメンデータは、既存の最先端モデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-06T15:05:12Z)
• Ranking Across Different Content Types: The Robust Beauty of Multinomial Blending [1.0650780147044159]
  クロスコンテンツ型ランキングは、従来の学習からランクへのアルゴリズムにとって重要な課題である。 マルチノミアルブレンディング(MB)という,クロスコンテンツ型ランキングの簡易手法について検討する。 Amazon MusicランキングのユースケースからA/Bテストの結果を報告する。
  論文  参考訳（メタデータ） (2024-08-17T11:11:31Z)
• Fairness Through Domain Awareness: Mitigating Popularity Bias For Music Discovery [56.77435520571752]
  音楽発見と人気バイアスの本質的な関係について検討する。 本稿では,グラフニューラルネットワーク(GNN)に基づくレコメンデータシステムにおいて,人気バイアスに対処する,ドメイン対応の個別フェアネスに基づくアプローチを提案する。 我々のアプローチでは、個々の公正さを用いて、真実を聴く経験、すなわち2つの歌が似ているとすると、この類似性は彼らの表現に反映されるべきである。
  論文  参考訳（メタデータ） (2023-08-28T14:12:25Z)
• Improving Recommendation System Serendipity Through Lexicase Selection [53.57498970940369]
  本稿では,レコメンデーションシステムにおけるエコーチャンバーとホモフィリーの存在を測定するための新しいセレンディピティー指標を提案する。 そこで我々は,レキシケース選択と呼ばれる親選択アルゴリズムを採用することにより,よく知られたレコメンデーション手法の多様性保存性の向上を試みる。 以上の結果から,レキシケースの選択とランキングの混合は,パーソナライゼーション,カバレッジ,セレンディピティー・ベンチマークにおいて,純粋にランク付けされている。
  論文  参考訳（メタデータ） (2023-05-18T15:37:38Z)
• Like a Good Nearest Neighbor: Practical Content Moderation and Text Classification [66.02091763340094]
  LaGoNN(Good Nearest Neighbor)は、学習可能なパラメータを導入することなく、隣人の情報で入力テキストを変更するSetFitの変更である。 LaGoNNは望ましくないコンテンツやテキスト分類のフラグ付けに有効であり、SetFitのパフォーマンスを改善する。
  論文  参考訳（メタデータ） (2023-02-17T15:43:29Z)
• Preference Dynamics Under Personalized Recommendations [12.89628003097857]
  ユーザがパーソナライズされたコンテンツレコメンデーションを受けると、偏光に類似する現象が生じるかどうかを示す。 より興味深い目的は、リコメンデーションアルゴリズムがユーザの好みの定常性を保証するための条件を理解することである。
  論文  参考訳（メタデータ） (2022-05-25T19:29:53Z)
• Follow the guides: disentangling human and algorithmic curation in online music consumption [1.4506962780822348]
  我々は1年間に約9万ユーザーのリスニング履歴を分析した。 音楽プラットフォームが提供する2種類のレコメンデーション – アルゴリズムと編集 – は、多かれ少なかれ多様なコンテンツを反対方向に消費する可能性があることを示す。
  論文  参考訳（メタデータ） (2021-09-08T20:14:48Z)
• Recommending Podcasts for Cold-Start Users Based on Music Listening and Taste [5.429958676933934]
  ポッドキャスティングは急速に普及する新興メディアだと考えている。 音楽消費行動を用いて、Spotifyユーザーの好みを200万以上のポッドキャストで推定する2つの主要な手法について検討した。 その結果,オフラインおよびオンライン両方の実験において,最大50%の消費改善が見られた。
  論文  参考訳（メタデータ） (2020-07-27T02:55:23Z)

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。