論文の概要: Pairwise and Attribute-Aware Decision Tree-Based Preference Elicitation for Cold-Start Recommendation
- arxiv url: http://arxiv.org/abs/2510.27342v1
- Date: Fri, 31 Oct 2025 10:24:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-03 17:52:16.066484
- Title: Pairwise and Attribute-Aware Decision Tree-Based Preference Elicitation for Cold-Start Recommendation
- Title（参考訳）: Pairwise and Attribute-Aware-Aware Decision Tree-based Preference Elicitation for Cold-Start Recommendation
- Authors: Alireza Gharahighehi, Felipe Kenji Nakano, Xuehua Yang, Wenhan Cu, Celine Vens,
- Abstract要約: 音楽レコメンデーションの文脈において,評価評価のための決定木アプローチの拡張を提案する。
提案手法は,項目評価だけでなく,ジャンルなどの属性を選好することで,クラスタユーザを向上する。
- 参考スコア（独自算出の注目度）: 1.1744028458220428
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recommender systems (RSs) are intelligent filtering methods that suggest items to users based on their inferred preferences, derived from their interaction history on the platform. Collaborative filtering-based RSs rely on users past interactions to generate recommendations. However, when a user is new to the platform, referred to as a cold-start user, there is no historical data available, making it difficult to provide personalized recommendations. To address this, rating elicitation techniques can be used to gather initial ratings or preferences on selected items, helping to build an early understanding of the user's tastes. Rating elicitation approaches are generally categorized into two types: non-personalized and personalized. Decision tree-based rating elicitation is a personalized method that queries users about their preferences at each node of the tree until sufficient information is gathered. In this paper, we propose an extension to the decision tree approach for rating elicitation in the context of music recommendation. Our method: (i) elicits not only item ratings but also preferences on attributes such as genres to better cluster users, and (ii) uses item pairs instead of single items at each node to more effectively learn user preferences. Experimental results demonstrate that both proposed enhancements lead to improved performance, particularly with a reduced number of queries.
- Abstract（参考訳）: リコメンダシステム(Recommender System、RS)は、プラットフォーム上のインタラクション履歴から派生した、推測された好みに基づいてアイテムをユーザに提案するインテリジェントなフィルタリング手法である。
協調フィルタリングベースのRSは、レコメンデーションを生成するために、ユーザの過去のインタラクションに依存します。
しかし、ユーザーがコールドスタートユーザーと呼ばれるプラットフォームに新規である場合、履歴データがないため、パーソナライズされたレコメンデーションの提供が困難になる。
これを解決するために、評価付与技術は、選択した項目の初期評価や嗜好の収集に使用することができ、ユーザの嗜好を早期に理解するのに役立つ。
評価の誘惑アプローチは一般的に、非個人化とパーソナライズという2つのタイプに分類される。
決定木に基づく評価適用は、十分な情報が収集されるまで、ツリーの各ノードでの好みをユーザーに問い合わせるパーソナライズされた方法である。
本稿では,音楽レコメンデーションの文脈における評価評価のための決定木アプローチの拡張を提案する。
私たちの方法:
(i)アイテム評価だけでなく、ジャンルなどの属性を選好してクラスタユーザを向上させます。
(ii)各ノードの単一項目ではなくアイテムペアを使用して、ユーザの好みをより効果的に学習する。
実験結果から、提案された2つの拡張が、特にクエリ数の削減によるパフォーマンスの向上につながることが示されている。
関連論文リスト
- Personalized Recommendations via Active Utility-based Pairwise Sampling [1.704905100460915]
単純かつ直感的なペアワイズ比較から好みを学習するユーティリティベースのフレームワークを提案する。
本研究の中心的な貢献は,嗜好評価のための新規なユーティリティベースアクティブサンプリング戦略である。
論文 参考訳（メタデータ） (2025-08-12T19:09:33Z) - ConsRec: Denoising Sequential Recommendation through User-Consistent Preference Modeling [33.281526528724335]
ユーザ一貫性を持つ参照型シーケンスレコメンデーションシステム(ConsRec)を提案する。
ConsRecは安定したユーザの好みをキャプチャし、インタラクション履歴からノイズの多いアイテムをフィルタリングする。
その結果、ConsRecはベースラインレコメンデーションモデルよりも13%改善されている。
論文 参考訳（メタデータ） (2025-05-28T08:55:13Z) - Search-Based Interaction For Conversation Recommendation via Generative Reward Model Based Simulated User [117.82681846559909]
会話レコメンデーションシステム(CRS)は、マルチターンインタラクションを使用してユーザの好みを捉え、パーソナライズされたレコメンデーションを提供する。
本稿では,CRSと自動インタラクションを行うための生成報酬モデルに基づくシミュレーションユーザGRSUを提案する。
論文 参考訳（メタデータ） (2025-04-29T06:37:30Z) - Counterfactual Learning-Driven Representation Disentanglement for Search-Enhanced Recommendation [19.76299850698492]
本稿では,探索強化型推薦のための対実的学習駆動型表現非絡み合いフレームワークを提案する。
検索クエリを活用して,クエリ非依存の汎用機能のみを分離し,アイテム表現をアンタングル化する。
ClardRecは協調フィルタリングとシーケンシャルなレコメンデーションシナリオの両方で有効である。
論文 参考訳（メタデータ） (2024-11-14T09:51:50Z) - Dissertation: On the Theoretical Foundation of Model Comparison and Evaluation for Recommender System [4.76281731053599]
レコメンダシステムは、ユーザの履歴データを利用して顧客の興味を推測し、パーソナライズされたレコメンデーションを提供する。
協調フィルタリング(Collaborative filtering)は、複数のユーザのレーティングを使用して、欠落したレーティングを予測するレコメンデーションアルゴリズムの1つである。
Recommender システムはより複雑になり、コンテンツベースの属性やユーザインタラクション、コンテキスト情報などの補助的なデータを組み込むことができる。
論文 参考訳（メタデータ） (2024-11-04T06:31:52Z) - Cold-start Recommendation by Personalized Embedding Region Elicitation [14.78070264373809]
既存のelicitationメソッドは、ユーザの好みを学習するために、固定されたアイテムセットを使用する。
本稿では、この課題を2段階のパーソナライズド・エイコレーション・スキームを用いて解決する。
提案手法では,各サブプロブレムを効率よく実装可能であることを示す。
論文 参考訳（メタデータ） (2024-06-03T04:03:24Z) - Eliciting User Preferences for Personalized Multi-Objective Decision
Making through Comparative Feedback [76.7007545844273]
目的に対して異なるユーザの好みに対応する多目的意思決定フレームワークを提案する。
我々のモデルは、ベクトル値の報酬関数を持つマルコフ決定プロセスで構成され、各ユーザが未知の選好ベクトルを持つ。
少数の比較クエリを用いて,ユーザに対してほぼ最適なポリシを求めるアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-02-07T23:58:19Z) - Modeling Dynamic User Preference via Dictionary Learning for Sequential
Recommendation [133.8758914874593]
ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。
浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。
本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
論文 参考訳（メタデータ） (2022-04-02T03:23:46Z) - Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback
based Recommendation [59.183016033308014]
本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。
提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
論文 参考訳（メタデータ） (2021-05-16T08:06:22Z) - Seamlessly Unifying Attributes and Items: Conversational Recommendation
for Cold-Start Users [111.28351584726092]
コールドスタートユーザに対しては,属性を問うと同時に,ユーザに対して対話的に商品を推薦する,対話型レコメンデーションを提案する。
会話型トンプソンサンプリング(ConTS)モデルでは,最大報酬の腕を選択することで,対話型レコメンデーションにおけるすべての質問を一意に解決する。
論文 参考訳（メタデータ） (2020-05-23T08:56:37Z)
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。