論文の概要: Benchmarking Deep Neural Networks for Modern Recommendation Systems

• arxiv url: http://arxiv.org/abs/2512.07000v1
• Date: Sun, 07 Dec 2025 21:06:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.632486
• Title: Benchmarking Deep Neural Networks for Modern Recommendation Systems
• Title（参考訳）: 最新のレコメンデーションシステムのためのディープニューラルネットワークのベンチマーク
• Authors: Abderaouf Bahi, Ibtissem Gasmi,
• Abstract要約: 本稿では,Retail E-Commerce,Amazon Products,Netflix Prizeという,7つの異なるニューラルネットワークアーキテクチャを3つのデータセットに展開する方法について検討する。 正確性、リコール、F1スコア、レコメンデーションの多様性などを通じて、その効果を評価する。
• 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: This paper examines the deployment of seven different neural network architectures CNN, RNN, GNN, Autoencoder, Transformer, NCF, and Siamese Networks on three distinct datasets: Retail E-commerce, Amazon Products, and Netflix Prize. It evaluates their effectiveness through metrics such as accuracy, recall, F1-score, and diversity in recommendations. The results demonstrate that GNNs are particularly adept at managing complex item relationships in e-commerce environments, whereas RNNs are effective in capturing the temporal dynamics that are essential for platforms such as Netflix.. Siamese Networks are emphasized for their contribution to the diversification of recommendations, particularly in retail settings. Despite their benefits, issues like computational demands, reliance on extensive data, and the challenge of balancing accurate and diverse recommendations are addressed. The study seeks to inform the advancement of recommendation systems by suggesting hybrid methods that merge the strengths of various models to better satisfy user preferences and accommodate the evolving demands of contemporary digital platforms.
• Abstract（参考訳）: 本稿では,CNN,RNN,GNN,Autoencoder,Transformer,NCF,Siamese Networksという7つの異なるニューラルネットワークアーキテクチャを,小売Eコマース,Amazon Products,Netflix Prizeの3つの異なるデータセット上に展開することを検討する。 正確性、リコール、F1スコア、レコメンデーションの多様性などを通じて、その効果を評価する。 その結果、GNNはEコマース環境で複雑なアイテム関係を管理するのに特に適していることが示され、RNNはNetflixのようなプラットフォームに不可欠な時間的ダイナミクスを捉えるのに効果的である。 と。 シームズ・ネットワークはレコメンデーションの多様化、特に小売業における多角化への貢献を強調している。 それらの利点にもかかわらず、計算要求、広範なデータへの依存、正確で多様なレコメンデーションのバランスをとるという課題に対処する。 本研究は, 多様なモデルの強みを融合させ, ユーザの嗜好をより良く満たし, 現代デジタルプラットフォームの進化する要求に適合させるハイブリッド手法を提案することによって, 推薦システムの高度化を図っている。

関連論文リスト

• Enhancing Recommendation Systems with GNNs and Addressing Over-Smoothing [7.06152589784002]
  本稿では、グラフニューラルネットワーク(GNN)を利用したレコメンデーションシステムの強化における重要な課題に対処する。 提案手法では、3つのGNNベースのレコメンデーションモデルを導入する。 この研究は、透明で正当化可能な提案を提供することを目的として、レコメンデーションシステムにおける解釈可能性の重要な必要性を強調している。
  論文  参考訳（メタデータ） (2024-12-04T07:50:27Z)
• A Survey on Deep Neural Networks in Collaborative Filtering Recommendation Systems [0.24578723416255746]
  本稿では、協調フィルタリング(CF)レコメンデーションシステムにおけるディープニューラルネットワーク(DNN)の利用について検討する。 DNNは、データ内の複雑な非線形関係を効果的にモデル化することができる。 本論文は、ディープラーニングによる協調フィルタリングシステムの強化における課題と今後の研究機会について論じる。
  論文  参考訳（メタデータ） (2024-12-02T11:06:34Z)
• Linear-Time Graph Neural Networks for Scalable Recommendations [50.45612795600707]
  推薦システムの鍵は、過去のユーザとイテムのインタラクションに基づいて、ユーザの将来の振る舞いを予測することである。 近年、リコメンデータシステムの予測性能を高めるためにグラフニューラルネットワーク(GNN)を活用することへの関心が高まっている。 我々は,従来のMF手法と同等のスケーラビリティを実現するために,GNNベースのレコメンデータシステムをスケールアップするための線形時間グラフニューラルネットワーク(LTGNN)を提案する。
  論文  参考訳（メタデータ） (2024-02-21T17:58:10Z)
• DNS-Rec: Data-aware Neural Architecture Search for Recommender Systems [79.76519917171261]
  本稿では,SRS(Sequential Recommender Systems)における計算オーバーヘッドと資源非効率性について述べる。 本稿では, プルーニング法と高度なモデル設計を組み合わせた革新的な手法を提案する。 我々の主な貢献は、リコメンダシステム(DNS-Rec)のためのデータ対応ニューラルアーキテクチャ検索の開発である。
  論文  参考訳（メタデータ） (2024-02-01T07:22:52Z)
• Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
  より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。 具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
  論文  参考訳（メタデータ） (2023-12-03T13:50:24Z)
• Efficient Online Processing with Deep Neural Networks [1.90365714903665]
  この論文は、ニューラルネットワークの効率性に特化しています。特に、コアコントリビューションは、オンライン推論の効率面に対処します。 これらの進歩は、ボトムアップの計算再構成と司法的なアーキテクチャ修正によって達成される。
  論文  参考訳（メタデータ） (2023-06-23T12:29:44Z)
• Dual Policy Learning for Aggregation Optimization in Graph Neural Network-based Recommender Systems [4.026354668375411]
  本稿では,リコメンデータシステムのための新しい強化学習型メッセージパッシングフレームワークを提案する。 このフレームワークは2つのポリシー学習を用いてユーザやアイテムを集約する高次接続を適応的に決定する。 提案手法は,NDCGとリコールを最大63.7%,42.9%改善する。
  論文  参考訳（メタデータ） (2023-02-21T09:47:27Z)
• Choosing the Best of Both Worlds: Diverse and Novel Recommendations through Multi-Objective Reinforcement Learning [68.45370492516531]
  本稿では,Recommender Systems (RS) 設定のための拡張多目的強化学習(SMORL)を紹介する。 SMORLエージェントは、標準レコメンデーションモデルを拡張し、RLレイヤーを追加し、3つの主要な目的(正確性、多様性、新しいレコメンデーション)を同時に満たすように強制する。 実世界の2つのデータセットに対する実験結果から,集約的多様性の顕著な増加,精度の適度な向上,レコメンデーションの反復性の低下,および相補的目的としての多様性と新規性の強化の重要性が示された。
  論文  参考訳（メタデータ） (2021-10-28T13:22:45Z)

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。