論文の概要: Ranking Companion: A Visual Analytics Approach to Item-Based Ranking with Hybrid Item Selection

• arxiv url: http://arxiv.org/abs/2606.23263v1
• Date: Mon, 22 Jun 2026 12:45:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:56:41.483896
• Title: Ranking Companion: A Visual Analytics Approach to Item-Based Ranking with Hybrid Item Selection
• Title（参考訳）: ランキングコンパニオン:ハイブリッドアイテム選択によるアイテムベースランキングのビジュアル分析手法
• Authors: Aman Kumar, Maximilian Tornow, Michaela Benk, Ibrahim Al-Hazwani, Jürgen Bernard,
• Abstract要約: アイテムベースのランキングは、ユーザが既知のイテム判断を通じて、好みを直接外部化するためのアプローチである。 既存のアプローチは、単一項目選択法、柔軟性の制限、ユーザコントロールに依存している。 我々は、モデル駆動型アクティブラーニングと人間駆動型アイテム選択手法を組み合わせた、アイテムベースランキングの視覚的分析手法であるランキングコンパニオンを提示する。
• 参考スコア（独自算出の注目度）: 7.358474298119692
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Personalizing item ranking creation is a challenging task, especially when users lack knowledge of data attributes or the ability to express and formalize their attribute preferences. Item-based ranking creation is an approach allowing users to directly externalize preferences through known-item judgments rather than attribute-based scoring. However, a core challenge of item-based ranking is identifying and selecting representative candidate items for externalizing preferences. Existing approaches rely on singular item-selection methods, limiting flexibility and user control. To address this challenge, we present Ranking Companion, a visual analytics approach for item-based ranking that combines model-driven active learning with human-driven item-selection methods. By drawing from six complementary item-selection methods, users can externalize listwise preferences based on selected candidate items, while an iterative machine learning process with a ranking model calculates ranking results, presented to users alongside explanations for interpretation. We evaluated Ranking Companion in a formative user study with 10 participants, in which participants used each item-selection method across three iterations, revealing tradeoffs in perceived ranking quality across accuracy, diversity, novelty, transparency, control, and satisfaction. Ranking Companion contributes a unified interactive item selection space and provides preliminary empirical guidance toward the hybrid use of multiple complementary item-selection methods in personalized item-based ranking creation.
• Abstract（参考訳）: 項目ランキング作成のパーソナライズは、特にユーザがデータ属性の知識や属性の好みを表現・形式化できない場合、難しい作業である。 アイテムベースのランキング作成は、属性ベースのスコアリングではなく、既知のイテム判断を通じて、ユーザが直接、好みを外部化するためのアプローチである。 しかし、アイテムベースのランキングの課題は、好みを外部化するための代表候補項目を特定し、選択することである。 既存のアプローチは、単一項目選択法、柔軟性の制限、ユーザコントロールに依存している。 この課題に対処するために、モデル駆動型アクティブラーニングと人間駆動型アイテム選択手法を組み合わせた、アイテムベースランキングの視覚的分析手法であるRing Companionを提案する。 6つの補完的な項目選択方法から、ユーザは選択された候補項目に基づいてリストワイズ選好を外部化でき、一方、ランキングモデルによる反復機械学習プロセスは、解釈のための説明とともに、ユーザーに提示されたランキング結果を算出する。 被験者10名を対象に,各項目選択法を3回に分けて評価し,精度,多様性,新奇性,透明性,コントロール,満足度に相違点が認められた。 ランキングコンパニオンは、統合された対話的アイテム選択空間を提供し、パーソナライズされたアイテムベースのランキング作成において、複数の補完的なアイテム選択手法のハイブリッド利用に向けた予備的な実証的なガイダンスを提供する。

関連論文リスト

• Preference-Aware Rubric Learning for Personalized Evaluation [59.539429430690156]
  既存の評価手法では、長期的なインタラクション履歴に埋め込まれたユーザ固有の嗜好をキャプチャできない。 静的判断よりも学習問題としてパーソナライズされた評価を定式化するパラダイムであるパーソナライズド・アズ・ラーニングを提案する。 実験により、PARLはユーザ対応の応答を確実に識別し、ユーザ間で一般化する高忠実なルーブリックを一貫して誘導することが示された。
  論文  参考訳（メタデータ） (2026-05-29T17:00:55Z)
• Pairwise and Attribute-Aware Decision Tree-Based Preference Elicitation for Cold-Start Recommendation [1.1744028458220428]
  音楽レコメンデーションの文脈において,評価評価のための決定木アプローチの拡張を提案する。 提案手法は,項目評価だけでなく,ジャンルなどの属性を選好することで,クラスタユーザを向上する。
  論文  参考訳（メタデータ） (2025-10-31T10:24:15Z)
• Improving User Experience with Personalized Review Ranking and Summarization [0.0]
  本研究は、レビューランキングと抽象要約を統合し、意思決定効率を向上させるためのパーソナライズされたフレームワークを提案する。 70名を対象に行ったユーザスタディでは、パーソナライズされたアプローチが満足度、妥当性、意思決定の信頼性を改善した。
  論文  参考訳（メタデータ） (2025-10-28T13:16:28Z)
• Personalized Recommendations via Active Utility-based Pairwise Sampling [1.704905100460915]
  単純かつ直感的なペアワイズ比較から好みを学習するユーティリティベースのフレームワークを提案する。 本研究の中心的な貢献は,嗜好評価のための新規なユーティリティベースアクティブサンプリング戦略である。
  論文  参考訳（メタデータ） (2025-08-12T19:09:33Z)
• RankingSHAP -- Listwise Feature Attribution Explanations for Ranking Models [48.895510739010355]
  このギャップに対処するための重要な貢献は3つあります。 まず、ランキングモデルに対するリストワイズ機能属性を厳格に定義する。 第2に、ランク付けSHAPを導入し、人気のあるSHAPフレームワークを拡張して、ランク付け属性をリストワイズする。 第3に、学習からランクへのモデルにおける属性の忠実度を評価するための2つの新しい評価パラダイムを提案する。
  論文  参考訳（メタデータ） (2024-03-24T10:45:55Z)
• Replace Scoring with Arrangement: A Contextual Set-to-Arrangement Framework for Learning-to-Rank [40.81502990315285]
  ラーニング・トゥ・ランク(Learning-to-rank)は、トップNレコメンデーションタスクの中核的なテクニックであり、理想的なランク付けはアイテムからアレンジへのマッピングである。 既存のソリューションのほとんどは確率的ランキング原理(PRP)のパラダイムに該当する。すなわち、まず候補セットで各項目をスコアし、次にソート操作を行い、トップランキングリストを生成する。 本稿では,個別のスコアリングやソートを必要とせずに,候補項目の順列を直接生成する新しいフレームワークであるSet-To-Arrangement Ranking (STARank)を提案する。
  論文  参考訳（メタデータ） (2023-08-05T12:22:26Z)
• Estimation of Fair Ranking Metrics with Incomplete Judgments [70.37717864975387]
  本研究では,4つの評価指標のサンプリング手法と推定手法を提案する。 ラベル付きアイテムの数が極めて少ない場合でも動作可能な頑健で偏りのない推定器を定式化する。
  論文  参考訳（メタデータ） (2021-08-11T10:57:00Z)
• Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback based Recommendation [59.183016033308014]
  本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。 提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
  論文  参考訳（メタデータ） (2021-05-16T08:06:22Z)
• Deep Learning feature selection to unhide demographic recommender systems factors [63.732639864601914]
  行列分解モデルは意味的知識を含まない因子を生成する。 DeepUnHideは、協調フィルタリングレコメンデータシステムにおいて、ユーザとアイテムファクタから、人口統計情報を抽出することができる。
  論文  参考訳（メタデータ） (2020-06-17T17:36:48Z)
• SetRank: A Setwise Bayesian Approach for Collaborative Ranking from Implicit Feedback [50.13745601531148]
  提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。 具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。 また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
  論文  参考訳（メタデータ） (2020-02-23T06:40:48Z)

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。