論文の概要: Multi-Scenario User Profile Construction via Recommendation Lists

• arxiv url: http://arxiv.org/abs/2603.15357v1
• Date: Mon, 16 Mar 2026 14:36:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 18:28:58.490669
• Title: Multi-Scenario User Profile Construction via Recommendation Lists
• Title（参考訳）: 推薦リストによるマルチシナリオユーザプロファイルの構築
• Authors: Hui Zhang, Jiayu Liu,
• Abstract要約: 本稿では,異なる情報条件下でのユーザのプロファイリング能力を評価するための4つの分析シナリオについて考察する。 RAPIと呼ばれる汎用的なユーザ属性分析フレームワークが提案され、簡単にアクセス可能なレコメンデーションリストを活用することで、ユーザの個人的特性を推測する。 4つのコレクションの実験では、RAPIはそれぞれ0.764と0.6477の推測精度を達成している。
• 参考スコア（独自算出の注目度）: 9.70687272880494
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Recommender systems (RS) play a core role in various domains, including business analytics, helping users and companies make appropriate decisions. To optimize service quality, related technologies focus on constructing user profiles by analyzing users' historical behavior information. This paper considers four analytical scenarios to evaluate user profiling capabilities under different information conditions. A generic user attribute analysis framework named RAPI is proposed, which infers users' personal characteristics by exploiting easily accessible recommendation lists. Specifically, a surrogate recommendation model is established to simulate the original model, leveraging content embedding from a pre-trained BERT model to obtain item embeddings. A sample augmentation module generates extended recommendation lists by considering similarity between model outputs and item embeddings. Finally, an adaptive weight classification model assigns dynamic weights to facilitate user characteristic inference. Experiments on four collections show that RAPI achieves inference accuracy of 0.764 and 0.6477, respectively.
• Abstract（参考訳）: Recommender Systems(RS)は、ビジネス分析を含むさまざまな領域において、ユーザや企業が適切な意思決定を行うのを助ける中心的な役割を担います。 サービス品質を最適化するために,関連技術はユーザの履歴行動情報を分析し,ユーザプロファイルの構築に重点を置いている。 本稿では,異なる情報条件下でのユーザのプロファイリング能力を評価するための4つの分析シナリオについて考察する。 RAPIと呼ばれる汎用的なユーザ属性分析フレームワークが提案され、簡単にアクセス可能なレコメンデーションリストを活用することで、ユーザの個人的特性を推測する。 具体的には、トレーニング済みのBERTモデルからのコンテンツ埋め込みを利用して、元のモデルをシミュレートするために代理推薦モデルを構築し、アイテム埋め込みを得る。 サンプル拡張モジュールは、モデル出力とアイテム埋め込みの類似性を考慮して拡張レコメンデーションリストを生成する。 最後に、適応重み分類モデルは、ユーザ特性推定を容易にするために動的重みを割り当てる。 4つのコレクションの実験では、RAPIはそれぞれ0.764と0.6477の推測精度を達成している。

関連論文リスト

• A Framework for Personalized Persuasiveness Prediction via Context-Aware User Profiling [21.531813748944383]
  メッセージの説得性を推定することは、様々なアプリケーションにおいて重要である。 説得力予測モデルの利点に説得者の過去の活動を活用するための確立された枠組みは存在しない。 2つのトレーニング可能なコンポーネントを持つコンテキスト認識型ユーザプロファイリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-09T09:22:31Z)
• PREFINE: Personalized Story Generation via Simulated User Critics and User-Specific Rubric Generation [2.8324853634693614]
  PreFINEは、Crytique-and-Refineパラダイムをパーソナライズに拡張する新しいフレームワークである。 PreFINEは、ユーザのインタラクション履歴から擬似ユーザエージェントを構築し、ユーザ固有のルーリックを生成する。 本手法は,対話システムや教育,レコメンデーションなどの幅広い応用において,効率的なパーソナライズを可能にする可能性を持っている。
  論文  参考訳（メタデータ） (2025-09-16T16:39:40Z)
• 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)
• Ada-Retrieval: An Adaptive Multi-Round Retrieval Paradigm for Sequential Recommendations [50.03560306423678]
  本稿では,レコメンダシステムのための適応型マルチラウンド検索パラダイムであるAda-Retrievalを提案する。 Ada-Retrievalは、ユーザー表現を反復的に洗練し、全項目領域の潜在的な候補をよりよく捉えます。
  論文  参考訳（メタデータ） (2024-01-12T15:26:40Z)
• Enhancing User Intent Capture in Session-Based Recommendation with Attribute Patterns [77.19390850643944]
  周波数属性パターン拡張変換器(FAPAT)を提案する。 FAPATは属性遷移グラフと一致する属性パターンを構築することで、ユーザの意図を特徴づける。 FAPATは、様々な評価指標に対して平均4.5%の最先端手法を一貫して上回っていることを実証する。
  論文  参考訳（メタデータ） (2023-12-23T03:28:18Z)
• DPAN: Dynamic Preference-based and Attribute-aware Network for Relevant Recommendations [3.4947076558586967]
  そこで本稿では,Click-Through Rate (CTR) を予測するために,Dynamic Preference-based and Attribute-aware Network (DPAN) と呼ばれる新しい手法を提案する。 DPANは、当社のeコマースプラットフォームに、関連するレコメンデーションのための主要なトラフィックを提供するために、うまくデプロイされています。
  論文  参考訳（メタデータ） (2023-08-21T07:26:09Z)
• 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)
• Context-aware Ensemble of Multifaceted Factorization Models for Recommendation Prediction in Social Networks [3.274188314820932]
  KDD-Cup 2012のタスク1におけるShanda Innovationsチームのソリューションについて説明する。 ソーシャルネットワークにおける多面的因子化モデル(Multifaceted Factorization Models)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-05-03T16:42:50Z)
• 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。