論文の概要: A Survey of Real-World Recommender Systems: Challenges, Constraints, and Industrial Perspectives

• arxiv url: http://arxiv.org/abs/2509.06002v1
• Date: Sun, 07 Sep 2025 10:29:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.81233
• Title: A Survey of Real-World Recommender Systems: Challenges, Constraints, and Industrial Perspectives
• Title（参考訳）: 実世界のレコメンダシステムに関する調査--課題,制約,産業的展望
• Authors: Kuan Zou, Aixin Sun,
• Abstract要約: 産業レコメンデーションシステムの体系的なレビューを行い、学術的なシステムと対比する。 データスケール、リアルタイム要件、評価方法論における重要な違いを強調します。 次に、トランザクション指向のレコメンダシステムとコンテンツ指向のレコメンダシステムにおいて、業界実践者がこれらの課題にどのように対処するかを検討する。
• 参考スコア（独自算出の注目度）: 29.526174878343742
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommender systems have generated tremendous value for both users and businesses, drawing significant attention from academia and industry alike. However, due to practical constraints, academic research remains largely confined to offline dataset optimizations, lacking access to real user data and large-scale recommendation platforms. This limitation reduces practical relevance, slows technological progress, and hampers a full understanding of the key challenges in recommender systems. In this survey, we provide a systematic review of industrial recommender systems and contrast them with their academic counterparts. We highlight key differences in data scale, real-time requirements, and evaluation methodologies, and we summarize major real-world recommendation scenarios along with their associated challenges. We then examine how industry practitioners address these challenges in Transaction-Oriented Recommender Systems and Content-Oriented Recommender Systems, a new classification grounded in item characteristics and recommendation objectives. Finally, we outline promising research directions, including the often-overlooked role of user decision-making, the integration of economic and psychological theories, and concrete suggestions for advancing academic research. Our goal is to enhance academia's understanding of practical recommender systems, bridge the growing development gap, and foster stronger collaboration between industry and academia.
• Abstract（参考訳）: レコメンダシステムは、ユーザとビジネスの両方に大きな価値をもたらし、アカデミックや業界からも大きな注目を集めている。 しかし、実際の制約のため、学術研究は主にオフラインのデータセット最適化に限られており、実際のユーザデータや大規模レコメンデーションプラットフォームへのアクセスが欠如している。 この制限は実用的妥当性を低下させ、技術の進歩を遅らせ、レコメンデーターシステムにおける重要な課題を十分に理解する。 本調査では,産業レコメンデータシステムの体系的レビューを行い,学術的なシステムと対比する。 データスケール、リアルタイム要件、評価方法論における重要な違いを強調し、関連する課題とともに、主要な現実のレコメンデーションシナリオを要約する。 次に、トランザクション指向レコメンダシステムとコンテンツ指向レコメンダシステムにおいて、業界実践者がこれらの課題にどのように対処するかを検討する。 最後に,ユーザ意思決定の役割,経済・心理学的理論の統合,学術研究の進展に向けた具体的な提案など,将来的な研究方向性について概説する。 我々のゴールは、実践的な推薦システムに対する学界の理解を高め、発展する開発ギャップを埋め、産業と学界のより強力な協力を促進することである。

関連論文リスト

• A Study on Enhancing User Engagement by Employing Gamified Recommender Systems [7.330085696471743]
  ゲーミフィケーションは、個人がシステム上でより多くの活動を行う動機となる。 この研究は、様々なドメインアプリケーションにおけるユーザエンゲージメントを高めるためのゲーミフィケーションレコメンデーションシステムについて、包括的なレビューを提供する。
  論文  参考訳（メタデータ） (2025-08-02T08:49:45Z)
• Generative Large Recommendation Models: Emerging Trends in LLMs for Recommendation [85.52251362906418]
  このチュートリアルでは、大規模言語モデル(LLM)を統合するための2つの主要なアプローチを探求する。 これは、最近の進歩、課題、潜在的研究の方向性を含む、生成的な大規模なレコメンデーションモデルの包括的な概要を提供する。 主なトピックは、データ品質、スケーリング法則、ユーザの行動マイニング、トレーニングと推論の効率性である。
  論文  参考訳（メタデータ） (2025-02-19T14:48:25Z)
• A Survey on Recommendation Unlearning: Fundamentals, Taxonomy, Evaluation, and Open Questions [16.00188808166725]
  推薦システムは、ユーザの行動と意思決定を形作ることに、ますます影響力を増している。 レコメンデータシステムにおける機械学習モデルの普及は、ユーザのプライバシとセキュリティに関する重要な懸念を引き起こしている。 従来の機械学習手法は、協調的な相互作用やモデルパラメータによって引き起こされるユニークな課題のために、アンラーニングを推奨するのに不適である。
  論文  参考訳（メタデータ） (2024-12-17T11:58:55Z)
• A Comprehensive Review of Recommender Systems: Transitioning from Theory to Practice [5.564583287027287]
  Recommender Systems(RS)は、パーソナライズされたアイテムの提案を提供することで、ユーザーエクスペリエンスを高める上で重要な役割を果たす。 この調査は、2017年から2024年までのRSの進歩を包括的にレビューする。 この調査の第一の目的は、理論を実践と橋渡しすることである。
  論文  参考訳（メタデータ） (2024-07-18T17:00:53Z)
• Recommender Systems in the Era of Large Language Models (LLMs) [62.0129013439038]
  大規模言語モデル(LLM)は自然言語処理(NLP)と人工知能(AI)の分野に革命をもたらした。 我々は, プレトレーニング, ファインチューニング, プロンプティングなどの様々な側面から, LLM を利用したレコメンデータシステムの総合的なレビューを行う。
  論文  参考訳（メタデータ） (2023-07-05T06:03:40Z)
• Fairness in Recommender Systems: Research Landscape and Future Directions [119.67643184567623]
  本稿は,近年の地域におけるフェアネスの概念と概念について概観する。 この分野での研究が現在どのように行われているのかを概観する。 全体として、最近の研究成果の分析は、ある研究のギャップを示している。
  論文  参考訳（メタデータ） (2022-05-23T08:34:25Z)
• Reinforcement Learning for Strategic Recommendations [32.73903761398027]
  ストラテジックレコメンデーション(SR)とは、知的エージェントがユーザのシーケンシャルな行動や活動を観察し、いつ、どのように相互作用するかを決めて、ユーザとビジネスの両方の長期的な目的を最適化する問題を指す。 Adobeリサーチでは、関心点の推薦、チュートリアルレコメンデーション、マルチメディア編集ソフトウェアにおける次のステップガイダンス、ライフタイムバリューの最適化のための広告レコメンデーションなど、さまざまなユースケースでこのようなシステムを実装してきました。 ユーザのシーケンシャルな振る舞いをモデル化したり、いつ介入するかを決め、ユーザに迷惑をかけずにレコメンデーションを提示したり、オフラインでポリシーを評価するなど、これらのシステム構築には多くの研究課題がある。
  論文  参考訳（メタデータ） (2020-09-15T20:45:48Z)

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。