Fugu-MT 論文翻訳(概要): Recommendation Algorithms: A Comparative Study in Movie Domain

論文の概要: Recommendation Algorithms: A Comparative Study in Movie Domain

arxiv url: http://arxiv.org/abs/2602.24125v1
Date: Fri, 27 Feb 2026 16:01:10 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-02 19:48:24.501049
Title: Recommendation Algorithms: A Comparative Study in Movie Domain
Title（参考訳）: 推薦アルゴリズム:映画領域における比較研究
Authors: Rohit Chivukula, T. Jaya Lakshmi, Hemlata Sharma, C. H. S. N. P. Sairam Rallabandi,
Abstract要約: 回帰モデルはデータセットから抽出された新しい特性を用いて構築され、モデルの特徴として使用される。 Netflixデータセットの探索的データ分析を行い、ユーザの評価行動と映画特性に関する洞察を得た。 XGBoost回帰アルゴリズムの機能に加えて、PythonのSurpriseライブラリのK-Nearest NeighborsとMFアルゴリズムがレコメンデーションに使用されている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Intelligent recommendation systems have clearly increased the revenue of well-known e-commerce firms. Users receive product recommendations from recommendation systems. Cinematic recommendations are made to users by a movie recommendation system. There have been numerous approaches to the problem of recommendation in the literature. It is viewed as a regression task in this research. A regression model was built using novel properties extracted from the dataset and used as features in the model. For experimentation, the Netflix challenge dataset has been used. Video streaming service Netflix is a popular choice for many. Customers' prior viewing habits are taken into account when Netflix makes movie recommendations to them. An exploratory data analysis on the Netflix dataset was conducted to gain insights into user rating behaviour and movie characteristics. Various kinds of features, including aggregating, Matrix Factorization (MF) based, and user and movie similarity based, have been extracted in the subsequent stages. In addition to a feature in the XGBoost regression algorithm, the K-Nearest Neighbors and MF algorithms from Python's Surprise library are used for recommendations. Based on Root Mean Square Error (RMSE), MF-based algorithms have provided the best recommendations.
Abstract（参考訳）: インテリジェントレコメンデーションシステムは、よく知られたeコマース企業の収益を明らかに増やしている。ユーザーはレコメンデーションシステムから製品レコメンデーションを受け取る。撮影レコメンデーションは、映画レコメンデーションシステムによってユーザに行われる。文学における推薦問題には多くのアプローチがある。この研究は回帰課題と見なされている。回帰モデルはデータセットから抽出された新しい特性を用いて構築され、モデルの特徴として使用される。実験にはNetflixのチャレンジデータセットが使用されている。ビデオストリーミングサービスのNetflixは、多くの人にとって人気がある。 Netflixが映画レコメンデーションを行う際、顧客の事前の視聴習慣が考慮される。 Netflixデータセットの探索的データ分析を行い、ユーザの評価行動と映画特性に関する洞察を得た。集約, マトリックス因子化(MF)ベース, ユーザと映画の類似性など, さまざまな特徴を抽出した。 XGBoost回帰アルゴリズムの機能に加えて、PythonのSurpriseライブラリのK-Nearest NeighborsとMFアルゴリズムがレコメンデーションに使用されている。 Root Mean Square Error (RMSE)に基づいて、MFベースのアルゴリズムがベストレコメンデーションを提供している。

関連論文リスト

A Language-Driven Framework for Improving Personalized Recommendations: Merging LLMs with Traditional Algorithms [2.831462251544684]
大規模言語モデル(LLM)は、自然言語処理の最も有望なツールの1つである。本研究は、親しい友人が個人の好みの知識に基づいて、いかにアイテムを推薦するかを模倣する新しい枠組みを提案する。
論文参考訳（メタデータ） (2025-07-09T19:48:33Z)
MM-RLHF: The Next Step Forward in Multimodal LLM Alignment [59.536850459059856]
MM-RLHF, $mathbf120k$ fine-fine, human-annotated preference comparison pairsを含むデータセットを紹介する。本稿では,報酬モデルの品質向上とアライメントアルゴリズムの効率向上のために,いくつかの重要なイノベーションを提案する。我々のアプローチは、$mathbf10$の異なる次元と$mathbf27$のベンチマークで厳格に評価されている。
論文参考訳（メタデータ） (2025-02-14T18:59:51Z)
Post-fusion monolithic hybrid recommender system for suggesting relevant movies to users [0.0]
本稿では,視聴映像のシーケンスと関連映画の視聴率を考慮した協調フィルタリングの2つの手法について考察する。用途に応じて様々な重みが設定される。この問題を解決するための文献と方法論のアプローチについて論じられた。
論文参考訳（メタデータ） (2024-11-16T20:41:17Z)
LLMRS: Unlocking Potentials of LLM-Based Recommender Systems for Software Purchase [0.6597195879147557]
Large Language Models (LLM) は、ユーザクエリを分析するための有望な結果を提供する。 LLMをベースとしたゼロショットレコメンデーションシステムであるLLMRSを提案し,レビュースコアにユーザレビューをエンコードし,ユーザに適したレコメンデーションを生成する。
論文参考訳（メタデータ） (2024-01-12T16:33:17Z)
On Generative Agents in Recommendation [58.42840923200071]
Agent4Recは、Large Language Modelsに基づいたレコメンデーションのユーザーシミュレータである。各エージェントは、ページ単位でパーソナライズされた推奨モデルと対話する。
論文参考訳（メタデータ） (2023-10-16T06:41:16Z)
Impression-Aware Recommender Systems [53.48892326556546]
本稿ではインプレッションを用いたレコメンデーションシステムに関する体系的な文献レビューを行う。本稿では,印象型レコメンデーションシステムと,印象型レコメンデーションシステムという,パーソナライズされたレコメンデーションのための新しいパラダイムを論じる。
論文参考訳（メタデータ） (2023-08-15T16:16:02Z)
User Behavior Simulation with Large Language Model based Agents [116.74368915420065]
LLMベースのエージェントフレームワークを提案し,実際のユーザ動作をシミュレートするサンドボックス環境を設計する。実験結果から,本手法のシミュレーション行動は実人の行動に非常に近いことが判明した。
論文参考訳（メタデータ） (2023-06-05T02:58:35Z)
RecXplainer: Amortized Attribute-based Personalized Explanations for Recommender Systems [35.57265154621778]
提案するRecXplainerは,推奨項目の属性に対するユーザの好みに基づいた,きめ細かい説明を生成する手法である。我々はRecXplainerを5つの実世界および大規模レコメンデーションデータセットで評価する。
論文参考訳（メタデータ） (2022-11-27T21:00:31Z)
Shadfa 0.1: The Iranian Movie Knowledge Graph and Graph-Embedding-Based Recommender System [1.8374319565577157]
イランの映画データセットは、映画関連ウェブサイトからデータを抽出することで作成されます。本研究は,精度,リコール,F1スコアを用いて,提案手法が従来の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2022-10-14T13:46:29Z)
Modeling Dynamic User Preference via Dictionary Learning for Sequential Recommendation [133.8758914874593]
ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
論文参考訳（メタデータ） (2022-04-02T03:23:46Z)
Utilizing Textual Reviews in Latent Factor Models for Recommender Systems [1.7361353199214251]
本稿では,テキストレビューに基づく評価モデリング手法とトピックモデリング手法を組み合わせたレコメンデーションアルゴリズムを提案する。サイズが異なるAmazon.comデータセットを用いてアルゴリズムの性能を評価し,23の製品カテゴリに対応する。
論文参考訳（メタデータ） (2021-11-16T15:07:51Z)
Control Variates for Slate Off-Policy Evaluation [112.35528337130118]
多次元動作を伴うバッチ化されたコンテキスト帯域データから政治外評価の問題について検討する。我々は, PIと自己正規化PIの双方に対して, リスク改善を保証した新しい推定器を得る。
論文参考訳（メタデータ） (2021-06-15T06:59:53Z)
Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
論文参考訳（メタデータ） (2020-05-19T10:18:43Z)

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。