論文の概要: Modeling Behavioral Patterns in News Recommendations Using Fuzzy Neural Networks

• arxiv url: http://arxiv.org/abs/2601.04019v1
• Date: Wed, 07 Jan 2026 15:34:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-08 18:12:46.211322
• Title: Modeling Behavioral Patterns in News Recommendations Using Fuzzy Neural Networks
• Title（参考訳）: ファジィニューラルネットワークを用いたニュースレコメンデーションにおける行動パターンのモデル化
• Authors: Kevin Innerebner, Stephan Bartl, Markus Reiter-Haas, Elisabeth Lex,
• Abstract要約: ファジィニューラルネットワークを用いて、記事クリックを予測するための可読性ルールを学習する透過的なレコメンデータシステムを導入する。 人間の読みやすいルールを学習しながら、確立されたいくつかのベースラインと比較してクリック動作を正確に予測できることが示される。
• 参考スコア（独自算出の注目度）: 3.2047979871770154
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: News recommender systems are increasingly driven by black-box models, offering little transparency for editorial decision-making. In this work, we introduce a transparent recommender system that uses fuzzy neural networks to learn human-readable rules from behavioral data for predicting article clicks. By extracting the rules at configurable thresholds, we can control rule complexity and thus, the level of interpretability. We evaluate our approach on two publicly available news datasets (i.e., MIND and EB-NeRD) and show that we can accurately predict click behavior compared to several established baselines, while learning human-readable rules. Furthermore, we show that the learned rules reveal news consumption patterns, enabling editors to align content curation goals with target audience behavior.
• Abstract（参考訳）: ニュースレコメンデーターシステムはブラックボックスモデルによってますます推進され、編集決定のための透明性はほとんど提供されない。 本研究では,ファジィニューラルネットワークを用いて,行動データから可読なルールを学習し,記事クリックを予測する透過的なレコメンデータシステムを提案する。 ルールを設定可能なしきい値で抽出することにより、ルールの複雑さを制御し、解釈可能性のレベルを制御できる。 我々は,2つの公開ニュースデータセット(MINDとEB-NeRD)に対するアプローチを評価し,人間の読みやすいルールを学習しながら,既存のベースラインと比較してクリック動作を正確に予測できることを示す。 さらに、学習したルールがニュース消費パターンを明らかにし、編集者がコンテンツキュレーション目標を対象のオーディエンス行動と整合させることができることを示す。

関連論文リスト

• Learning Interpretable Rules from Neural Networks: Neurosymbolic AI for Radar Hand Gesture Recognition [2.99664686845172]
  ルールベースのモデルは解釈可能性を提供するが、複雑なデータには苦労する。 本稿では,解釈可能なルールリストを学習するRL-Netというニューラルネットワークについて検討する。 我々は、完全に透過的なルールベースシステム(MIRA)と説明可能なブラックボックスモデル(XentricAI)に対してRL-Netをベンチマークする。 以上の結果から,RL-Netは高い性能(93.03% F1)を維持しつつ,ルールの複雑さを著しく低減し,良好なトレードオフを実現していることがわかった。
  論文  参考訳（メタデータ） (2025-06-11T11:30:48Z)
• Differentiable Fuzzy Neural Networks for Recommender Systems [2.7309692684728613]
  本稿では,ファジィニューラルネットワークをニューラルシンボリックアプローチとして用いてレコメンデーションについて検討する。 各ルールはファジィ論理式に対応しており、推奨者の決定プロセスは本質的に透明である。 提案手法は,透明な意思決定プロセスを提供しながら,ユーザの振る舞いを正確に捉えていることを示す。
  論文  参考訳（メタデータ） (2025-05-09T12:31:56Z)
• RuleAgent: Discovering Rules for Recommendation Denoising with Autonomous Language Agents [36.31706728494194]
  RuleAgentは、現実世界のデータエキスパートを模倣して、レコメンデーションのルールを自律的に発見する。 LossEraser-非学習戦略は、パフォーマンスを損なうことなく、トレーニングを合理化する。
  論文  参考訳（メタデータ） (2025-03-30T09:19:03Z)
• Rule Based Learning with Dynamic (Graph) Neural Networks [0.8158530638728501]
  本稿ではルールベースグラフニューラルネットワーク(RuleGNN)を提案する。 実験の結果,ルールGNNの予測性能は最先端のグラフ分類器に匹敵することがわかった。 専門家の知識をルールGNNに組み込む方法を示すために,新しいベンチマークグラフデータセットを導入する。
  論文  参考訳（メタデータ） (2024-06-14T12:01:18Z)
• RecExplainer: Aligning Large Language Models for Explaining Recommendation Models [50.74181089742969]
  大規模言語モデル (LLM) は、理解、推論、指導において顕著な知性を示した。 本稿では, ブラックボックスレコメンデータモデルを説明するために, LLM を代理モデルとして利用することについて検討する。 効果的なアライメントを容易にするために,行動アライメント,意図アライメント,ハイブリッドアライメントという3つの手法を導入する。
  論文  参考訳（メタデータ） (2023-11-18T03:05:43Z)
• Rule By Example: Harnessing Logical Rules for Explainable Hate Speech Detection [13.772240348963303]
  Rule By Example(RBE)は、テキストコンテンツモデレーションのタスクに対する論理規則から学習するための、新規なコントラスト学習手法である。 RBEはルール基底の予測を提供することができ、典型的なディープラーニングベースのアプローチと比較して説明可能でカスタマイズ可能な予測を可能にする。
  論文  参考訳（メタデータ） (2023-07-24T16:55:37Z)
• Reinforcement Learning based Path Exploration for Sequential Explainable Recommendation [57.67616822888859]
  強化学習(TMER-RL)を活用した新しい時間的メタパスガイド型説明可能な勧告を提案する。 TMER-RLは, 動的知識グラフ上での動的ユーザ・イテム進化を逐次モデル化するために, 注意機構を持つ連続項目間の強化項目・イテムパスをモデル化する。 2つの実世界のデータセットに対するTMERの大規模な評価は、最近の強いベースラインと比較して最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2021-11-24T04:34:26Z)
• Generative Adversarial Reward Learning for Generalized Behavior Tendency Inference [71.11416263370823]
  ユーザの行動嗜好モデルのための生成的逆強化学習を提案する。 我々のモデルは,差別的アクター批判ネットワークとWasserstein GANに基づいて,ユーザの行動から報酬を自動的に学習することができる。
  論文  参考訳（メタデータ） (2021-05-03T13:14:25Z)
• NSL: Hybrid Interpretable Learning From Noisy Raw Data [66.15862011405882]
  本稿では,ラベル付き非構造データから解釈可能なルールを学習するニューラルシンボリック学習フレームワークNSLを提案する。 NSLは、機能抽出のためのトレーニング済みニューラルネットワークと、解集合セマンティクスに基づくルール学習のための最先端のILPシステムであるFastLASを組み合わせる。 NSLは、MNISTデータから堅牢なルールを学び、ニューラルネットワークやランダムフォレストベースラインと比較して、比較または優れた精度を達成できることを実証します。
  論文  参考訳（メタデータ） (2020-12-09T13:02:44Z)
• Rewriting a Deep Generative Model [56.91974064348137]
  我々は,深層生成モデルによって符号化された特定の規則の操作という,新たな問題設定を導入する。 本稿では,ディープネットワークの層を線形連想メモリとして操作することで,所望のルールを変更する定式化を提案する。 本稿では,生成モデルのルールを対話的に変更し,望ましい効果を得られるユーザインタフェースを提案する。
  論文  参考訳（メタデータ） (2020-07-30T17:58:16Z)
• Guided Variational Autoencoder for Disentanglement Learning [79.02010588207416]
  本稿では,潜在表現非絡み合い学習を行うことで,制御可能な生成モデルを学習できるアルゴリズム,Guided-VAEを提案する。 我々は、ガイド-VAEにおける教師なし戦略と教師なし戦略を設計し、バニラVAE上でのモデリングと制御能力の強化を観察する。
  論文  参考訳（メタデータ） (2020-04-02T20:49:15Z)

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。