論文の概要: Solving cold start in news recommendations: a RippleNet-based system for large scale media outlet

• arxiv url: http://arxiv.org/abs/2511.02052v1
• Date: Mon, 03 Nov 2025 20:38:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.678821
• Title: Solving cold start in news recommendations: a RippleNet-based system for large scale media outlet
• Title（参考訳）: ニュースレコメンデーションにおけるコールドスタートの解決-大規模メディアのためのRippleNetベースのシステム
• Authors: Karol Radziszewski, Michał Szpunar, Piotr Ociepka, Mateusz Buczyński,
• Abstract要約: 我々は、メディアドメイン用に調整された、RippleNetをベースとしたスケーラブルなレコメンデータシステムを提案する。 本稿では,コンテンツベースのアイテム埋め込みをRippleNetの知識伝播機構に組み込むことで,新たに公開されたコンテンツのコールドスタート問題に対処する。 システムアーキテクチャは、分散トレーニングと推論にAmazon SageMaker、データパイプラインのオーケストレーションとモデル再トレーニングにApache Airflowを利用している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present a scalable recommender system implementation based on RippleNet, tailored for the media domain with a production deployment in Onet.pl, one of Poland's largest online media platforms. Our solution addresses the cold-start problem for newly published content by integrating content-based item embeddings into the knowledge propagation mechanism of RippleNet, enabling effective scoring of previously unseen items. The system architecture leverages Amazon SageMaker for distributed training and inference, and Apache Airflow for orchestrating data pipelines and model retraining workflows. To ensure high-quality training data, we constructed a comprehensive golden dataset consisting of user and item features and a separate interaction table, all enabling flexible extensions and integration of new signals.
• Abstract（参考訳）: 本稿では,ポーランド最大のオンラインメディアプラットフォームであるOnet.plで運用されているメディアドメインに適した,RippleNetをベースとしたスケーラブルなレコメンデータシステムの実装について紹介する。 本稿では,コンテンツベースのアイテム埋め込みをRippleNetの知識伝播機構に組み込むことで,新たに公開されたコンテンツのコールドスタート問題に対処する。 システムアーキテクチャは、分散トレーニングと推論にAmazon SageMaker、データパイプラインとモデル再トレーニングワークフローのオーケストレーションにApache Airflowを利用している。 高品質なトレーニングデータを確保するため、ユーザとアイテムの機能と対話テーブルからなる包括的なゴールデンデータセットを構築し、フレキシブルな拡張と新しい信号の統合を可能にした。

関連論文リスト

• Privacy-Preserving Multimodal News Recommendation through Federated Learning [0.0]
  本稿では,ニュースレコメンデーションのための新しいマルチモーダル・フェデレーション・ラーニング・ベースのアプローチを提案する。 このフレームワークは、リコメンデーションモデルを大規模なサーバ保守型ニュースモデルと、サーバとクライアント間で共有される軽量ユーザモデルに分割する。 実世界のニュースデータセットの実験は、既存のシステムと比較して強い性能を示している。
  論文  参考訳（メタデータ） (2025-07-21T10:14:00Z)
• A Scalable and Efficient Signal Integration System for Job Matching [15.452024547797127]
  LinkedInは、ジョブマッチング製品のレコメンデーションシステム構築において、さまざまなモデリング課題に直面している。 我々は,Large Language Models(LLM)とGraph Neural Networks(GNN)を組み合わせたSTARシステムを開発した。 私たちの重要なコントリビューションには、産業アプリケーションへの埋め込みを構築するための堅牢な方法論、ハイパフォーマンスなレコメンデーションのためのスケーラブルなGNN-LLM統合、実世界のモデルデプロイメントのための実践的な洞察が含まれています。
  論文  参考訳（メタデータ） (2025-07-13T21:23:37Z)
• Data-Juicer 2.0: Cloud-Scale Adaptive Data Processing for and with Foundation Models [83.65386456026441]
  Data-Juicer 2.0は、テキスト、画像、ビデオ、オーディオのモダリティにまたがる100以上のデータ処理オペレータがバックアップするデータ処理システムである。 データ分析、合成、アノテーション、基礎モデルのポストトレーニングなど、より重要なタスクをサポートする。 このシステムは公開されており、さまざまな研究分野やAlibaba Cloud PAIのような現実世界の製品で広く採用されている。
  論文  参考訳（メタデータ） (2024-12-23T08:29:57Z)
• A Review of Modern Recommender Systems Using Generative Models (Gen-RecSys) [57.30228361181045]
  この調査は、ジェネレーティブモデル(Gen-RecSys)を用いたレコメンデーションシステムにおける重要な進歩を結びつける。 対話駆動生成モデル、自然言語レコメンデーションのための大規模言語モデル(LLM)とテキストデータの使用、RSにおける画像やビデオの生成と処理のためのマルチモーダルモデルの統合。 我々の研究は、Gen-RecSysの影響と害を評価するために必要なパラダイムを強調し、オープンな課題を特定します。
  論文  参考訳（メタデータ） (2024-03-31T06:57:57Z)
• OpenMixup: Open Mixup Toolbox and Benchmark for Visual Representation Learning [53.57075147367114]
  視覚表現学習のための最初のミックスアップ拡張とベンチマークであるOpenMixupを紹介する。 私たちは、スクラッチから18の代表的なミックスアップベースラインをトレーニングし、11の画像データセットでそれらを厳格に評価します。 また、人気のあるビジョンバックボーン、最適化戦略、分析ツールキットのコレクションを含むモジュラーバックボーンをオープンソースにしています。
  論文  参考訳（メタデータ） (2022-09-11T12:46:01Z)
• Approaching sales forecasting using recurrent neural networks and transformers [57.43518732385863]
  深層学習技術を用いて,日・店・店レベルでの顧客販売予測問題に対処する3つの方法を開発した。 実験結果から,データ前処理を最小限に抑えた単純なシーケンスアーキテクチャを用いて,優れた性能を実現することができることを示す。 提案した解は約0.54の RMSLE を達成し、Kaggle コンペティションで提案された問題に対する他のより具体的な解と競合する。
  論文  参考訳（メタデータ） (2022-04-16T12:03:52Z)
• Towards cost-effective and resource-aware aggregation at Edge for Federated Learning [6.553945918984866]
  Federated Learning(FL)は、ソースのデータ計算によるプライバシとデータ転送コストに対処する機械学習アプローチである。 この作業はEdgeで最初に適応的なFLアグリゲータを提案し、ユーザはコストと効率のトレードオフを管理することができる。
  論文  参考訳（メタデータ） (2022-04-16T09:57:18Z)
• Multi-Edge Server-Assisted Dynamic Federated Learning with an Optimized Floating Aggregation Point [51.47520726446029]
  協調エッジ学習(CE-FL)は、分散機械学習アーキテクチャである。 CE-FLの過程をモデル化し,分析訓練を行った。 実世界のテストベッドから収集したデータを用いて,本フレームワークの有効性を示す。
  論文  参考訳（メタデータ） (2022-03-26T00:41:57Z)
• An Expectation-Maximization Perspective on Federated Learning [75.67515842938299]
  フェデレーション学習は、データをデバイス上でプライベートにしながら、複数のクライアントにわたるモデルの分散トレーニングを記述する。 本稿では,サーバがクライアント固有のモデルパラメータに対して事前分布のパラメータを提供する階層的潜在変数モデルとして,サーバが設定したフェデレーション学習プロセスについて考察する。 我々は,単純なガウス先行とよく知られた期待最大化(EM)アルゴリズムのハードバージョンを用いて,そのようなモデルの学習は,フェデレーション学習環境における最も一般的なアルゴリズムであるFedAvgに対応することを示す。
  論文  参考訳（メタデータ） (2021-11-19T12:58:59Z)

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。