論文の概要: BERT and CNN integrated Neural Collaborative Filtering for Recommender Systems

• arxiv url: http://arxiv.org/abs/2512.15526v1
• Date: Wed, 17 Dec 2025 15:27:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-18 17:06:27.041192
• Title: BERT and CNN integrated Neural Collaborative Filtering for Recommender Systems
• Title（参考訳）: BERTとCNNを統合したRecommenderシステムのためのニューラルコラボレーティブフィルタ
• Authors: Abdullah Al Munem, Sumona Yeasmin, Mohammad Rezwanul Huq,
• Abstract要約: 堅牢なレコメンデーションシステムは、ユーザの独特な好みに応じてアイテムを推薦することで、Webサイトとのユーザインタラクションを向上させることができる。 BERTとCNN統合ニューラルコラボレーティブフィルタリング(NCF)が提案されている。 提案モデルでは,ユーザとアイテムプロファイルから入力を取得し,ユーザの興味を抽出する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Every day, a significant number of users visit the internet for different needs. The owners of a website generate profits from the user interaction with the contents or items of the website. A robust recommendation system can increase user interaction with a website by recommending items according to the user's unique preferences. BERT and CNN-integrated neural collaborative filtering (NCF) have been proposed for the recommendation system in this experiment. The proposed model takes inputs from the user and item profile and finds the user's interest. This model can handle numeric, categorical, and image data to extract the latent features from the inputs. The model is trained and validated on a small sample of the MovieLens dataset for 25 epochs. The same dataset has been used to train and validate a simple NCF and a BERT-based NCF model and compared with the proposed model. The proposed model outperformed those two baseline models. The obtained result for the proposed model is 0.72 recall and 0.486 Hit Ratio @ 10 for 799 users on the MovieLens dataset. This experiment concludes that considering both categorical and image data can improve the performance of a recommendation system.
• Abstract（参考訳）: 毎日、多くのユーザーが異なるニーズのためにインターネットを訪れている。 Webサイトの所有者は、Webサイトのコンテンツやアイテムとのユーザインタラクションから利益を生成する。 堅牢なレコメンデーションシステムは、ユーザの独特な好みに応じてアイテムを推薦することで、Webサイトとのユーザインタラクションを向上させることができる。 BERTとCNN統合ニューラルコラボレーティブフィルタリング(NCF)が提案されている。 提案モデルでは,ユーザとアイテムプロファイルから入力を取得し,ユーザの興味を抽出する。 このモデルは、数値、分類、画像データを処理して、入力から潜伏した特徴を抽出することができる。 このモデルは25時間、MovieLensデータセットの小さなサンプルでトレーニングされ、検証される。 同じデータセットを使用して、単純なNCFとBERTベースのNCFモデルをトレーニングし、検証し、提案モデルと比較した。 提案されたモデルは、これらの2つのベースラインモデルより優れていた。 提案したモデルで得られた結果は0.72リコールと0.486 Hit Ratio @ 10で、MovieLensデータセットの799ユーザを対象としている。 この実験により,分類データと画像データの両方を考慮すれば,推薦システムの性能が向上することがわかった。

関連論文リスト

• Dynamic Collaborative Filtering for Matrix- and Tensor-based Recommender Systems [5.1148288291550505]
  我々は、TIRecAとして知られる逐次問題に対する新しい協調フィルタリングモデルを提案する。 TIRecAは、新しいデータセグメントのみを使用してパラメータを効率的に更新し、リコメンダシステムに新たなユーザとアイテムをインクリメンタルに追加することができる。 一般行列とテンソルベースラインとの比較から,TIRecAはトレーニング時間において10～20倍高速でありながら,ベースライン法に匹敵する品質を達成できることが判明した。
  論文  参考訳（メタデータ） (2023-12-04T20:45:51Z)
• Topology-aware Debiased Self-supervised Graph Learning for Recommendation [6.893289671937124]
  本稿では,TDGL(Topology-aware De Self-supervised Graph Learning)を提案する。 TDSGLはユーザ間の意味的類似性(items)に応じてコントラッシブなペアを構成する その結果,提案モデルが3つの公開データセット上で,最先端モデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2023-10-24T14:16:19Z)
• Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
  逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。 しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。 したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
  論文  参考訳（メタデータ） (2022-11-17T19:00:24Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• SelfCF: A Simple Framework for Self-supervised Collaborative Filtering [72.68215241599509]
  協調フィルタリング(CF)は、観測された相互作用からユーザやアイテムの情報的潜在表現を学習するために広く用いられている。 本稿では,暗黙的なフィードバックを伴うレコメンデータシナリオに特化して設計された自己教師型協調フィルタリングフレームワーク(SelfCF)を提案する。 自制フレームワークのBUIRと比較して,SelfCFは平均17.79%の精度向上を実現している。
  論文  参考訳（メタデータ） (2021-07-07T05:21:12Z)
• Click-Through Rate Prediction Using Graph Neural Networks and Online Learning [0.0]
  CTR予測精度のわずかな改善は、広告業界に数百万ドルの収益を追加すると言及されています。 このプロジェクトは、グラフニューラルネットワークとオンライン学習アルゴリズムを使用したCTR予測器の構築に関心がある。
  論文  参考訳（メタデータ） (2021-05-09T01:35:49Z)
• Dual-embedding based Neural Collaborative Filtering for Recommender Systems [0.7949579654743338]
  本稿では,DNCF をベースとしたニューラル・コラボレーティブ・フィルタリングのために,DNCF という汎用的な協調フィルタリングフレームワークを提案する。 ユーザ(アイテム)に対するプリミティブな埋め込みの学習に加えて,インタラクションされたアイテム(ユーザ)の観点から追加的な埋め込みを導入し,ユーザ(item)表現を拡大する。
  論文  参考訳（メタデータ） (2021-02-04T11:32:11Z)
• MetaSelector: Meta-Learning for Recommendation with User-Level Adaptive Model Selection [110.87712780017819]
  推薦システムにおけるユーザレベルの適応モデル選択を容易にするメタラーニングフレームワークを提案する。 2つのパブリックデータセットと実世界のプロダクションデータセットで実験を行います。
  論文  参考訳（メタデータ） (2020-01-22T16:05:01Z)

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。