論文の概要: The Bandit's Blind Spot: The Critical Role of User State Representation in Recommender Systems

• arxiv url: http://arxiv.org/abs/2604.26651v1
• Date: Wed, 29 Apr 2026 13:18:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.414772
• Title: The Bandit's Blind Spot: The Critical Role of User State Representation in Recommender Systems
• Title（参考訳）: Bandit's Blind Spot: Recommender Systemsにおけるユーザ状態表現のクリティカルな役割
• Authors: Pedro R. Pires, Gregorio F. Azevedo, Rafael T. Sereicikas, Pietro L. Campos, Tiago A. Almeida,
• Abstract要約: 従来のCMABアルゴリズムの性能に異なる埋め込み型状態表現が与える影響について検討する。 大規模実験により, 状態表現の変動は, バンディットアルゴリズム自体を変更することにより達成されるものよりも向上することが示された。
• 参考スコア（独自算出の注目度）: 1.321203201549798
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: With the increasing availability of online information, recommender systems have become an important tool for many web-based systems. Due to the continuous aspect of recommendation environments, these systems increasingly rely on contextual multi-armed bandits (CMAB) to deliver personalized and real-time suggestions. A critical yet underexplored component in these systems is the representation of user state, which typically encapsulates the user's interaction history and is deeply correlated with the model's decisions and learning. In this paper, we investigate the impact of different embedding-based state representations derived from matrix factorization models on the performance of traditional CMAB algorithms. Our large-scale experiments reveal that variations in state representation can lead to improvements greater than those achieved by changing the bandit algorithm itself. Furthermore, no single embedding or aggregation strategy consistently dominates across datasets, underscoring the need for domain-specific evaluation. These results expose a substantial gap in the literature and emphasize that advancing bandit-based recommender systems requires a holistic approach that prioritizes embedding quality and state construction alongside algorithmic innovation. The source code for our experiments is publicly available on https://github.com/UFSCar-LaSID/bandits_blind_spot.
• Abstract（参考訳）: オンライン情報の普及に伴い、レコメンダシステムは、多くのWebベースのシステムにとって重要なツールとなっている。 これらのシステムは、レコメンデーション環境の継続的な側面のため、パーソナライズされたリアルタイムな提案を提供するために、文脈的マルチアーム・バンディット(CMAB)に依存している。 これらのシステムにおいて重要で未探索の要素はユーザ状態の表現であり、通常はユーザのインタラクション履歴をカプセル化し、モデルの判断や学習と深く相関している。 本稿では,従来のCMABアルゴリズムの性能に対する,行列分解モデルから導かれる異なる埋め込み型状態表現の影響について検討する。 大規模実験により, 状態表現の変動は, バンディットアルゴリズム自体を変更することにより達成されるものよりも向上することが示された。 さらに、単一の埋め込みや集約戦略がデータセット全体を支配することはなく、ドメイン固有の評価の必要性が強調されている。 これらの結果は、文献のかなりのギャップを露呈し、バンディットベースのレコメンダシステムの進歩には、アルゴリズムの革新と並行して、組み込み品質と状態構築を優先する包括的なアプローチが必要であることを強調している。 実験のソースコードはhttps://github.com/UFSCar-LaSID/bandits_blind_spotで公開されている。

関連論文リスト

• Multistakeholder Impacts of Profile Portability in a Recommender Ecosystem [0.7711381100220001]
  本稿では,レコメンデーションアルゴリズムをプラットフォームから切り離すアルゴリズム的多元性(ガバナンス文献では「ミドルウェア」とも呼ばれる)の意義を考察する。 本稿では,データポータビリティのシナリオが,推薦アルゴリズムの異なるユーザユーティリティに与える影響について検討する。
  論文  参考訳（メタデータ） (2026-04-23T14:59:54Z)
• Interactive Visualization Recommendation with Hier-SUCB [52.11209329270573]
  本稿では,従来のインタラクションからユーザフィードバックを学習する対話型パーソナライズドビジュアライゼーションレコメンデーション(PVisRec)システムを提案する。 よりインタラクティブで正確なレコメンデーションのために、PVisRec設定における文脈的半帯域であるHier-SUCBを提案する。
  論文  参考訳（メタデータ） (2025-02-05T17:14:45Z)
• Online Clustering of Dueling Bandits [59.09590979404303]
  本稿では、優先フィードバックに基づく協調的な意思決定を可能にするために、最初の「デュエルバンディットアルゴリズムのクラスタリング」を導入する。 本稿では,(1)ユーザ報酬関数をコンテキストベクトルの線形関数としてモデル化する線形デューリング帯域のクラスタリング(COLDB)と,(2)ニューラルネットワークを用いて複雑な非線形ユーザ報酬関数をモデル化するニューラルデューリング帯域のクラスタリング(CONDB)の2つの新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-04T07:55:41Z)
• Hierarchical Reinforcement Learning for Temporal Abstraction of Listwise Recommendation [51.06031200728449]
  我々はmccHRLと呼ばれる新しいフレームワークを提案し、リストワイドレコメンデーションにおける時間的抽象化のレベルを異なるものにする。 階層的な枠組みの中では、ハイレベルエージェントがユーザ知覚の進化を研究し、低レベルエージェントがアイテム選択ポリシーを作成している。 その結果,本手法による性能改善は,いくつかのよく知られたベースラインと比較して有意な結果が得られた。
  論文  参考訳（メタデータ） (2024-09-11T17:01:06Z)
• Pistis-RAG: Enhancing Retrieval-Augmented Generation with Human Feedback [41.88662700261036]
  RAGシステムは、セマンティックな関連性だけでは生成品質の向上を保証していない場合に制限に直面している。 我々は、LLMと人間の嗜好をよりよく整合させるために、コンテンツ中心のアプローチで設計された新しいRAGフレームワークであるPristis-RAGを提案する。
  論文  参考訳（メタデータ） (2024-06-21T08:52:11Z)
• Bayesian Non-stationary Linear Bandits for Large-Scale Recommender Systems [6.009759445555003]
  この問題に対処するために,線形コンテキスト多重武装バンディットフレームワークを構築した。 本研究では,高次元特徴ベクトルを用いた線形帯域問題に対する意思決定ポリシーを開発する。 提案するリコメンデータシステムは,実行環境を最小化しながら,ユーザの項目嗜好をオンラインで学習する。
  論文  参考訳（メタデータ） (2022-02-07T13:51:19Z)

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。