論文の概要: Have We Really Understood Collaborative Information? An Empirical Investigation

• arxiv url: http://arxiv.org/abs/2511.06905v1
• Date: Mon, 10 Nov 2025 10:00:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.193935
• Title: Have We Really Understood Collaborative Information? An Empirical Investigation
• Title（参考訳）: コラボレーション情報を本当に理解したか? : 実証的研究
• Authors: Xiaokun Zhang, Zhaochun Ren, Bowei He, Ziqiang Cui, Chen Ma,
• Abstract要約: 協力的な情報はレコメンデーションシステムの基盤となる。 我々は,項目共起パターンの観点から協調情報を明確化し,その特徴を同定し,定量的な定義を提示する。 次に,複数の側面から協調情報の分布を推定し,協調情報が実際にどのように構成されているかを明らかにする。
• 参考スコア（独自算出の注目度）: 30.425340147697842
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Collaborative information serves as the cornerstone of recommender systems which typically focus on capturing it from user-item interactions to deliver personalized services. However, current understanding of this crucial resource remains limited. Specifically, a quantitative definition of collaborative information is missing, its manifestation within user-item interactions remains unclear, and its impact on recommendation performance is largely unknown. To bridge this gap, this work conducts a systematic investigation of collaborative information. We begin by clarifying collaborative information in terms of item co-occurrence patterns, identifying its main characteristics, and presenting a quantitative definition. We then estimate the distribution of collaborative information from several aspects, shedding light on how collaborative information is structured in practice. Furthermore, we evaluate the impact of collaborative information on the performance of various recommendation algorithms. Finally, we highlight challenges in effectively capturing collaborative information and outlook promising directions for future research. By establishing an empirical framework, we uncover many insightful observations that advance our understanding of collaborative information and offer valuable guidelines for developing more effective recommender systems.
• Abstract（参考訳）: コラボレーション情報は、通常、ユーザとイテムのインタラクションから、パーソナライズされたサービスを提供するための、レコメンデーションシステムの基盤となる。 しかし、この重要な資源に対する現在の理解は限られている。 具体的には、協調情報の量的定義が欠落しており、ユーザとイテムのインタラクション内での表示が不明確であり、レコメンデーションパフォーマンスへの影響はほとんど不明である。 このギャップを埋めるために、この研究は協調情報を体系的に調査する。 まず、項目共起パターンの観点から協調情報を明確化し、その主な特徴を特定し、定量的な定義を提示することから始める。 次に,複数の側面から協調情報の分布を推定し,協調情報が実際にどのように構成されているかを明らかにする。 さらに,協調情報が様々な推薦アルゴリズムの性能に与える影響を評価する。 最後に,協調的な情報を効果的に取得する上での課題と今後の研究の展望について述べる。 実証的な枠組みを確立することで、協調情報の理解を深め、より効果的なレコメンデーションシステムを開発するための貴重なガイドラインを提供する、多くの洞察に富んだ観察を明らかにする。

関連論文リスト

• A Survey on Side Information-driven Session-based Recommendation: From a Data-centric Perspective [49.68029601454934]
  セッションベースのレコメンデーションは、匿名ユーザの意図を予測する実践的な価値のために、注目を集めている。 サイド情報駆動セッションベースの推奨の中核は、多様なデータの発見と利用である。 本調査では,データ中心の観点から,この課題を包括的に概観する。
  論文  参考訳（メタデータ） (2025-05-18T07:36:43Z)
• A Task-Centric Perspective on Recommendation Systems [32.44458308850838]
  我々はRecSysタスクの定式化を解析し、入力出力構造、時間力学、候補項目選択といった重要なコンポーネントを強調した。 本稿では,タスク特異性とモデル一般化可能性のバランスについて考察し,タスク定式化がロバストな評価と効率的なソリューション開発の基礎となることを明らかにする。
  論文  参考訳（メタデータ） (2025-03-27T06:10:22Z)
• Bridging the User-side Knowledge Gap in Knowledge-aware Recommendations with Large Language Models [15.41378841915072]
  大規模言語モデル(LLM)は、人間の行動理解と広範囲な現実世界の知識を活用することによってギャップを埋める可能性を提供する。 本稿では,LLMに基づくユーザ側知識推論手法と,慎重に設計した推薦フレームワークを提案する。 提案手法は,特に疎結合なユーザに対して,競合するベースラインと比較して最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-12-18T06:43:56Z)
• Collaborative Knowledge Infusion for Low-resource Stance Detection [83.88515573352795]
  姿勢検出モデルを支援するために、ターゲット関連の知識がしばしば必要である。 低リソース姿勢検出タスクに対する協調的知識注入手法を提案する。
  論文  参考訳（メタデータ） (2024-03-28T08:32:14Z)
• What Makes Good Collaborative Views? Contrastive Mutual Information Maximization for Multi-Agent Perception [52.41695608928129]
  マルチエージェント認識(MAP)は、複数のソースからのデータを解釈することで、自律システムが複雑な環境を理解することを可能にする。 本稿では,MAPにおける協調的視点の「良い」特性を探求することに焦点を当てた中間的協調について検討する。 中間コラボレーションのための新しいフレームワークCMiMCを提案する。
  論文  参考訳（メタデータ） (2024-03-15T07:18:55Z)
• Beyond Isolation: Multi-Agent Synergy for Improving Knowledge Graph Construction [6.020016097668138]
  CooperKGCは、知識グラフ構築(KGC)における大規模言語モデル(LLM)の従来の孤立的アプローチに挑戦する新しいフレームワークである。 CooperKGCはコラボレーティブな処理ネットワークを確立し、エンティティ、リレーション、イベント抽出タスクを同時に処理できるチームを組み立てる。
  論文  参考訳（メタデータ） (2023-12-05T07:27:08Z)
• Select2Col: Leveraging Spatial-Temporal Importance of Semantic Information for Efficient Collaborative Perception [21.043094544649733]
  共有意味情報の活用による協調的認識は、孤立したエージェントの個々人の限界を克服する上で重要な役割を担っている。 既存の協調認識手法は、時間次元の重要性を無視しながら、意味情報の空間的特徴にのみ焦点をあてる傾向がある。 Select2Colは,セマンティアンダーラインの情報アンダーラインを考慮した新しい協調認識フレームワークである。
  論文  参考訳（メタデータ） (2023-07-31T09:33:19Z)
• Collaborative Perception in Autonomous Driving: Methods, Datasets and Challenges [19.0876933975015]
  協調認識は、自律運転における閉塞性やセンサ障害の問題に対処するために不可欠である。 本研究は, このギャップを埋め, 今後の研究を動機付けるために, この分野における最近の成果を概観するものである。
  論文  参考訳（メタデータ） (2023-01-16T05:08:50Z)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)

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。