論文の概要: Understand your Users, An Ensemble Learning Framework for Natural Noise Filtering in Recommender Systems

• arxiv url: http://arxiv.org/abs/2509.18560v1
• Date: Tue, 23 Sep 2025 02:36:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.655902
• Title: Understand your Users, An Ensemble Learning Framework for Natural Noise Filtering in Recommender Systems
• Title（参考訳）: レコメンダシステムにおける自然ノイズフィルタリングのためのアンサンブル学習フレームワーク
• Authors: Clarita Hawat, Wissam Al Jurdi, Jacques Bou Abdo, Jacques Demerjian, Abdallah Makhoul,
• Abstract要約: 本稿では,人間の嗜好や行動の多様性に固有のノイズ定義の課題について論じる。 ユーザの傾向の変化を分類する際には,ユーザの感情に直接影響を及ぼす外部要因,予期せぬ嗜好を引き起こすセレンディピティー,ノイズとして知覚されるインシデント相互作用の3つの現象を区別する。
• 参考スコア（独自算出の注目度）: 2.183830053778608
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The exponential growth of web content is a major key to the success for Recommender Systems. This paper addresses the challenge of defining noise, which is inherently related to variability in human preferences and behaviors. In classifying changes in user tendencies, we distinguish three kinds of phenomena: external factors that directly influence users' sentiment, serendipity causing unexpected preference, and incidental interaction perceived as noise. To overcome these problems, we present a new framework that identifies noisy ratings. In this context, the proposed framework is modular, consisting of three layers: known natural noise algorithms for item classification, an Ensemble learning model for refined evaluation of the items and signature-based noise identification. We further advocate the metrics that quantitatively assess serendipity and group validation, offering higher robustness in recommendation accuracy. Our approach aims to provide a cleaner training dataset that would inherently improve user satisfaction and engagement with Recommender Systems.
• Abstract（参考訳）: Webコンテンツの指数的な成長は、Recommender Systemsの成功の鍵となる。 本稿では,人間の嗜好や行動の多様性に固有のノイズ定義の課題について論じる。 ユーザの傾向の変化を分類する際には,ユーザの感情に直接影響を及ぼす外部要因,予期せぬ嗜好を引き起こすセレンディピティー,ノイズとして知覚されるインシデント相互作用の3つの現象を区別する。 これらの問題を克服するために、ノイズ評価を識別する新しいフレームワークを提案する。 この文脈において、提案するフレームワークは、アイテム分類のための既知の自然なノイズアルゴリズムと、アイテムの洗練された評価のためのアンサンブル学習モデルと、署名に基づくノイズ識別の3つのレイヤで構成されている。 さらに、セレンディピティーとグループ検証を定量的に評価し、推薦精度の高いロバスト性を提供する指標を提唱する。 当社のアプローチは,Recommender Systemsによるユーザの満足度とエンゲージメントを本質的に向上する,よりクリーンなトレーニングデータセットの提供を目的としています。

関連論文リスト

• Variational Bayesian Personalized Ranking [39.24591060825056]
  変分的BPRは、確率最適化、ノイズ低減、人気低下を統合する、新しく実装が容易な学習目標である。 本稿では,問題サンプルからの雑音を効果的に低減するために,注目に基づく競合学習手法を提案する。 実験により、人気のあるバックボーンレコメンデーションモデルにおける変分BPRの有効性を実証する。
  論文  参考訳（メタデータ） (2025-03-14T04:22:01Z)
• Enhance Vision-Language Alignment with Noise [59.2608298578913]
  本研究では,凍結モデルがカスタマイズノイズによって微調整可能であるか検討する。 ビジュアルエンコーダとテキストエンコーダの両方にノイズを注入することでCLIPを微調整できる正インセンティブノイズ(PiNI)を提案する。
  論文  参考訳（メタデータ） (2024-12-14T12:58:15Z)
• Learning Recommender Systems with Soft Target: A Decoupled Perspective [49.83787742587449]
  そこで本研究では,ソフトラベルを活用することで,目的を2つの側面として捉えるために,分離されたソフトラベル最適化フレームワークを提案する。 本稿では,ラベル伝搬アルゴリズムをモデル化したソフトラベル生成アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-09T04:20:15Z)
• Algorithmic Drift: A Simulation Framework to Study the Effects of Recommender Systems on User Preferences [7.552217586057245]
  本稿では,長期シナリオにおけるユーザ-リコメンダ間のインタラクションを模倣するシミュレーションフレームワークを提案する。 本稿では,ユーザの嗜好に対するアルゴリズムの影響を定量化する2つの新しい指標について紹介する。
  論文  参考訳（メタデータ） (2024-09-24T21:54:22Z)
• When SparseMoE Meets Noisy Interactions: An Ensemble View on Denoising Recommendation [3.050721435894337]
  本稿では,適応アンサンブル学習(Adaptive Ensemble Learning, AEL)を提案する。 AELはスパースゲーティングネットワークを脳として採用し、適切な認知能力の合成に適した専門家を選択する。 モデル複雑性のアンサンブル学習の欠点を解決するために,コンポーネントを積み重ねてサブレコメンダを作成する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-19T12:55:34Z)
• Proactive Recommendation in Social Networks: Steering User Interest via Neighbor Influence [54.13541697801396]
  我々は,PRSN(Proactive Recommendation in Social Networks)という新しいタスクを提案する。 PRSNは、社会的隣人の影響力を生かして、間接的に利用者の関心を喚起する。 本稿では,2つの主要なモジュールを持つNighbor Interference Recommendation (NIRec) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-13T15:53:40Z)
• TruthSR: Trustworthy Sequential Recommender Systems via User-generated Multimodal Content [21.90660366765994]
  ノイズの多いユーザ生成マルチモーダルコンテンツによる信頼性の高いシーケンシャルレコメンデーション手法を提案する。 具体的には、ノイズ干渉を軽減するために、ユーザ生成したマルチモーダルコンテンツの一貫性と相補性を捉える。 さらに,主観的ユーザ視点と客観的項目視点を統合した信頼性の高い意思決定機構を設計する。
  論文  参考訳（メタデータ） (2024-04-26T08:23:36Z)
• ROPO: Robust Preference Optimization for Large Language Models [59.10763211091664]
  外部モデルの助けを借りずにノイズ耐性とノイズサンプルのフィルタリングを統合する反復アライメント手法を提案する。 Mistral-7BとLlama-2-7Bで広く使われている3つのデータセットの実験では、ROPOが既存の嗜好アライメント法を大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2024-04-05T13:58:51Z)
• Training Classifiers that are Universally Robust to All Label Noise Levels [91.13870793906968]
  ディープニューラルネットワークは、ラベルノイズの存在下で過度に適合する傾向がある。 ポジティヴ・アンラベルラーニングの新たなサブカテゴリを取り入れた蒸留ベースのフレームワークを提案する。 我々の枠組みは概して中～高騒音レベルにおいて優れています。
  論文  参考訳（メタデータ） (2021-05-27T13:49:31Z)

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。