論文の概要: TriMat: Context-aware Recommendation by Tri-Matrix Factorization
- arxiv url: http://arxiv.org/abs/2510.21730v1
- Date: Tue, 30 Sep 2025 01:51:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-03 05:35:45.933649
- Title: TriMat: Context-aware Recommendation by Tri-Matrix Factorization
- Title（参考訳）: TriMat: Tri-Matrix Factorizationによるコンテキスト認識レコメンデーション
- Authors: Hao Wang,
- Abstract要約: CARS(Context-aware Recommender Systems)は、現実世界のアプリケーションではあまり進歩しない理論的なトピックである。
本稿では,行列因数分解フレームワークに文脈情報を組み込むために三行列因数分解手法を用いる。
- 参考スコア（独自算出の注目度）: 3.6896352484416393
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Search engine is the symbolic technology of Web 2.0, and many people used to believe recommender systems is the new frontier of Web 3.0. In the past 10 years, with the advent of TikTok and similar apps, recommender systems has materialized the vision of the machine learning pioneers. However, many research topics of the field remain unfixed until today. One such topic is CARS (Context-aware Recommender Systems) , which is largely a theoretical topic without much advance in real-world applications. In this paper, we utilize tri-matrix factorization technique to incorporate contextual information into our matrix factorization framework, and prove that our technique is effective in improving both the accuracy and fairness metrics in our experiments.
- Abstract（参考訳）: 検索エンジンはWeb 2.0の象徴的な技術であり、多くの人はリコメンデーターシステムはWeb 3.0の新しいフロンティアであると信じていました。
過去10年間で、TikTokなどのアプリが登場し、リコメンダシステムは機械学習のパイオニアのビジョンを具体化してきた。
しかし、この分野の多くの研究トピックは、今日まで未定のままである。
そのようなトピックのひとつにCARS(Context-aware Recommender Systems)がある。
本稿では,行列因数分解フレームワークに文脈情報を組み込むために三行列因数分解手法を用い,この手法が実験における精度と公平性の両方を改善するのに有効であることを示す。
関連論文リスト
- Cosmos 1.0: a multidimensional map of the emerging technology frontier [0.941566456307226]
コスモス1.0データセットは23,544のテクノロジー・アジャセント・エンティティ(TA23k)と階層構造と8つの外部指標から構成されている。
このデータセットには、Technology Awareness Index、Generality Index、Deeptech、Age of Tech Indexなど、新興技術の展望を評価するために特別に開発された指標が組み込まれている。
論文 参考訳（メタデータ） (2025-05-15T02:37:32Z) - Application-Driven Innovation in Machine Learning [56.85396167616353]
機械学習におけるアプリケーション駆動研究のパラダイムについて述べる。
このアプローチがメソッド駆動の作業と生産的に相乗効果を示す。
このようなメリットにもかかわらず、マシンラーニングにおけるレビュー、採用、教育のプラクティスが、アプリケーション主導のイノベーションを後押しすることが多いことに気付きます。
論文 参考訳（メタデータ） (2024-03-26T04:59:27Z) - Embedding in Recommender Systems: A Survey [54.55152033023537]
本調査では,レコメンデータシステム埋め込み技術の進歩を包括的に分析する。
マトリックスベースのシナリオでは、協調フィルタリングはユーザの好みを効果的にモデル化する埋め込みを生成する。
パフォーマンス向上のため,AutoMLやハッシュ技術,量子化手法など,新たなアプローチを導入する。
論文 参考訳（メタデータ） (2023-10-28T06:31:06Z) - Impression-Aware Recommender Systems [53.48892326556546]
本稿ではインプレッションを用いたレコメンデーションシステムに関する体系的な文献レビューを行う。
本稿では,印象型レコメンデーションシステムと,印象型レコメンデーションシステムという,パーソナライズされたレコメンデーションのための新しいパラダイムを論じる。
論文 参考訳（メタデータ） (2023-08-15T16:16:02Z) - Practical Lessons on Optimizing Sponsored Products in eCommerce [6.245623148893172]
広告システムにおけるスポンサー付製品最適化の問題点として,位置ベースデバイアス,クリック変換マルチタスク学習,および予測クリックスルーレート(pCTR)のキャリブレーションについて検討した。
本稿では,既存の機械学習モデルに構造的変更を加えることなくソリューションを提供する,実践的な機械学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-04-05T21:46:20Z) - A Comprehensive Review on Non-Neural Networks Collaborative Filtering
Recommendation Systems [1.3124513975412255]
協調フィルタリング(CF)は、あるユーザグループの既知の好みを利用して、他のユーザの未知の好みに関する予測とレコメンデーションを行う。
1990年代に初めて導入され、様々なモデルが提案されている。
多くの分野で機械学習技術の成功により、リコメンデーションシステムにおけるそのようなアルゴリズムの適用に重点が置かれている。
論文 参考訳（メタデータ） (2021-06-20T11:13:33Z) - Covidex: Neural Ranking Models and Keyword Search Infrastructure for the
COVID-19 Open Research Dataset [87.47567807116204]
Covidexは最新のニューラルランキングモデルを利用する検索エンジンだ。
これは、Allen Institute for AIがキュレートしたCOVID-19 Open Researchデータセットへのアクセスを提供する。
論文 参考訳（メタデータ） (2020-07-14T16:26:01Z) - CATA++: A Collaborative Dual Attentive Autoencoder Method for
Recommending Scientific Articles [0.3553493344868413]
本稿では,CATA++(Collaborative Dual Attentive Autoencoder)を紹介する。
CatA++は記事の内容を利用し、2つの並列オートエンコーダを通してその潜在空間を学習する。
我々の双方向学習戦略は、他の最先端のMFベースモデルと比較して、MF性能を著しく改善した。
論文 参考訳（メタデータ） (2020-02-27T17:35:46Z)
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。