Fugu-MT 論文翻訳(概要): Adaptive Quality-Diversity Trade-offs for Large-Scale Batch Recommendation

論文の概要: Adaptive Quality-Diversity Trade-offs for Large-Scale Batch Recommendation

arxiv url: http://arxiv.org/abs/2602.02024v1
Date: Mon, 02 Feb 2026 12:20:07 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-03 19:28:34.137778
Title: Adaptive Quality-Diversity Trade-offs for Large-Scale Batch Recommendation
Title（参考訳）: 大規模バッチレコメンデーションのための適応的品質・多様性トレードオフ
Authors: Clémence Réda, Tomas Rigaux, Hiba Bederina, Koh Takeuchi, Hisashi Kashima, Jill-Jênn Vie,
Abstract要約: B-DivRecと呼ばれる効率的なアルゴリズムを導入し、アイテムの多様性の度合いを調節する。これは、ユーザー履歴を通じて品質と多様性のトレードオフを強制するのに役立ちます。第2に,ユーザに対する品質と多様性のトレードオフを適応的に調整するアプローチを提案する。
参考スコア（独自算出の注目度）: 14.759906340416828
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A core research question in recommender systems is to propose batches of highly relevant and diverse items, that is, items personalized to the user's preferences, but which also might get the user out of their comfort zone. This diversity might induce properties of serendipidity and novelty which might increase user engagement or revenue. However, many real-life problems arise in that case: e.g., avoiding to recommend distinct but too similar items to reduce the churn risk, and computational cost for large item libraries, up to millions of items. First, we consider the case when the user feedback model is perfectly observed and known in advance, and introduce an efficient algorithm called B-DivRec combining determinantal point processes and a fuzzy denuding procedure to adjust the degree of item diversity. This helps enforcing a quality-diversity trade-off throughout the user history. Second, we propose an approach to adaptively tailor the quality-diversity trade-off to the user, so that diversity in recommendations can be enhanced if it leads to positive feedback, and vice-versa. Finally, we illustrate the performance and versatility of B-DivRec in the two settings on synthetic and real-life data sets on movie recommendation and drug repurposing.
Abstract（参考訳）: 推薦システムにおける中核的な研究課題は、非常に関連性の高い多様な項目のバッチ、すなわち、ユーザの好みに合わせてパーソナライズされた項目を提案することである。この多様性は、ユーザエンゲージメントや収益を増加させるセレンディピディティとノベルティの特性を誘発する可能性がある。しかし、このケースでは多くの現実的な問題が発生している:例えば、混乱するリスクを減らすために、異なるが類似したアイテムを推奨しないようにし、数百万項目まで大きなアイテムライブラリの計算コストを下げる。まず、ユーザのフィードバックモデルを完全に観察し、事前に知っている場合について考察し、B-DivRecと呼ばれる効率的なアルゴリズムを導入し、行列点過程とファジィデラウディング手順を組み合わせてアイテムの多様性の度合いを調整した。これは、ユーザー履歴を通じて品質と多様性のトレードオフを強制するのに役立ちます。第2に,ユーザに対する品質と多様性のトレードオフを適応的に調整するアプローチを提案する。最後に,B-DivRecの映画レコメンデーションと薬物再資源化に関する総合的および実生活的データセットの2つの設定において,B-DivRecの性能と汎用性について述べる。

関連論文リスト

Tree of Preferences for Diversified Recommendation [54.183647833064136]
データバイアスの観点から、多種多様な推薦について検討する。本研究では,世界知識を活用したゼロショット推論における大規模言語モデル(LLM)の卓越した性能に着想を得て,新しいアプローチを提案する。
論文参考訳（メタデータ） (2025-12-24T04:13:17Z)
Diversity Recommendation via Causal Deconfounding of Co-purchase Relations and Counterfactual Exposure [23.71990071700833]
我々は,共購入関係の因果分解と対人暴露による多様性勧告を提案する。 LightGCN上に構築されたプラグイン・アンド・プレイのフレームワークで、精度を保ちながらレコメンデーションの多様性を高める。我々の手法は、多様性と正確性の両方において、最先端の多様性モデルよりも一貫して優れています。
論文参考訳（メタデータ） (2025-12-19T16:09:29Z)
Multi-agents based User Values Mining for Recommendation [52.26100802380767]
効率的なユーザ値抽出のためのゼロショットマルチLLM協調フレームワークを提案する。本研究は,本質的な意味を保ちながら,項目内容のコンデンスにテキスト要約手法を適用した。幻覚を緩和するために,評価役と監督役の2つの特殊エージェントの役割を導入する。
論文参考訳（メタデータ） (2025-05-02T04:01:31Z)
Learning Recommender Systems with Soft Target: A Decoupled Perspective [49.83787742587449]
そこで本研究では,ソフトラベルを活用することで,目的を2つの側面として捉えるために,分離されたソフトラベル最適化フレームワークを提案する。本稿では,ラベル伝搬アルゴリズムをモデル化したソフトラベル生成アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-10-09T04:20:15Z)
DLCRec: A Novel Approach for Managing Diversity in LLM-Based Recommender Systems [9.433227503973077]
LLMに基づくレコメンデーションにおいて,多様性のきめ細かい制御を可能にする新しいフレームワークを提案する。従来の方法とは異なり、DLCRecはきめ細かいタスク分解戦略を採用し、推奨プロセスを3つのサブタスクに分割する。本稿では,ノイズやアウト・オブ・ディストリビューションデータに対するモデルの堅牢性を高める2つのデータ拡張手法を提案する。
論文参考訳（メタデータ） (2024-08-22T15:10:56Z)
CAViaR: Context Aware Video Recommendations [0.0]
本稿では,低多様性が個々の項目に対するユーザのエンゲージメントに与える影響をモデル化し,多様性を導入する手法を提案する。提案手法は,既存の大規模レコメンデータシステムに簡単にプラグインできるように設計されている。
論文参考訳（メタデータ） (2023-04-17T16:56:23Z)
Disentangled Representation for Diversified Recommendations [41.477162048806434]
正確性と多様性は、リコメンデーションの2つの相反する目標だと考えられてきた。本稿では,推薦アルゴリズムの選択に依存しない一般的な多様化フレームワークを提案する。我々のソリューションは、レコメンデーションモジュールの学習したユーザ表現を、カテゴリに依存しない、カテゴリに依存しないコンポーネントに切り離します。
論文参考訳（メタデータ） (2023-01-13T11:47:10Z)
Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
論文参考訳（メタデータ） (2022-07-04T17:49:25Z)
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)
PURS: Personalized Unexpected Recommender System for Improving User Satisfaction [76.98616102965023]
本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。 3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
論文参考訳（メタデータ） (2021-06-05T01:33:21Z)
Using Stable Matching to Optimize the Balance between Accuracy and Diversity in Recommendation [3.0938904602244355]
多くのレコメンデーションドメインにおいて、集約的多様性(あるいはカタログカバレッジ)の増加はシステムレベルの重要な目標である。集約の多様性を高める試みは、エンドユーザの推奨精度を低下させる。本稿では,ユーザとアイテムの両ユーティリティを考慮した,双方向のポストプロセッシング手法を提案する。
論文参考訳（メタデータ） (2020-06-05T22:12:25Z)

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。