論文の概要: A Flexible Recommendation System for Individuals and Groups

• arxiv url: http://arxiv.org/abs/2609.27998v1
• Date: Wed, 23 Sep 2026 12:27:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:18.015666
• Title: A Flexible Recommendation System for Individuals and Groups
• Title（参考訳）: 個人とグループを対象としたフレキシブルなレコメンデーションシステム
• Abstract要約: グループレコメンダシステムは通常、個々の好みを集約するか、グループを別のメタユーザとして扱うかに依存する。 本稿では、各ユーザの好みの二重表現を学習するために、GNNベースのアーキテクチャに依存する新しいアプローチを提案する。 特定の嗜好集約戦略は、グループを構成するユーザの行動プロファイルに対処するために定義される。
• 参考スコア（独自算出の注目度）: 1.0742675209112622
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Group recommender systems typically rely on either aggregating individual preferences or treating groups as distinct meta-users. However, these methods often suffer from static aggregation strategies or data sparsity issues within group histories. This paper introduces a novel approach, that relies on a GNN-based architecture to learn a dual representation of each user's preferences, capturing their behavior as an independent individual from one side and as a member of a collective from the other side. By performing a differential analysis of these individual and group-oriented preferences, our system then determines the behavioral profile of each user when joining a group. Finally, specific preference aggregation strategies are defined to cope with the behavioral profiles of the users composing a group. Consequently, the system is equally capable of delivering precise recommendations to individuals and to arbitrary groups, effectively unifying the two traditional paradigms of recommendation. Experiments on synthetic data simulating diverse group settings and behaviors confirm the flexibility and relevance of the proposed approach compared to state-of-the-art methods.
• Abstract（参考訳）: グループレコメンダシステムは通常、個々の好みを集約するか、グループを別のメタユーザとして扱うかに依存する。 しかし、これらの手法は、しばしばグループヒストリー内の静的集約戦略やデータ空間の問題に悩まされる。 本稿では、GNNに基づくアーキテクチャを用いて、各ユーザの好みの二重表現を学習し、一方から独立した個人として、他方から集団として行動する手法を提案する。 これらの個人とグループ指向の嗜好の差分分析を行うことで,グループに参加するユーザの行動プロファイルを決定する。 最後に、グループを構成するユーザの行動プロファイルに対処するために、特定の嗜好集約戦略を定義する。 その結果、システムは個人と任意のグループに正確なレコメンデーションを提供することができ、2つの伝統的なレコメンデーションパラダイムを効果的に統一することができる。 多様なグループ設定と振る舞いをシミュレートした合成データ実験により, 提案手法の柔軟性と妥当性を, 最先端手法と比較して検証した。

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)
• Group Preference Alignment: Customized LLM Response Generation from In-Situ Conversations [36.29709573877113]
  グループ選好アライメントは、ユーザグループ間での会話選好における文脈固有のバリエーションを特定する。 当社のフレームワークは,ユーザの好みに対する出力のアライメントを大幅に改善し,ベースライン手法よりも優れています。
  論文  参考訳（メタデータ） (2025-03-11T04:32:54Z)
• GPRec: Bi-level User Modeling for Deep Recommenders [45.38687843911628]
  GPRecは学習可能な方法でユーザをグループに分類し、それに対応するグループ埋め込みと整合させる。 個人レベルでは、GPRecはIDのような特徴から個人の好みを識別し、得られた個人表現をグループから独立したものに洗練する。 3つの公開データセット上でのGPRecの厳格なテストでは、推奨品質が大幅に改善されている。
  論文  参考訳（メタデータ） (2024-10-28T04:49:05Z)
• AlignGroup: Learning and Aligning Group Consensus with Member Preferences for Group Recommendation [7.8148534870343225]
  グループ活動は、人間の社会において重要な行動であり、グループに対するパーソナライズされたレコメンデーションを提供することをグループレコメンデーションタスクと呼ぶ。 本稿では,グループコンセンサスとグループメンバーの個人選好の両方に着目し,グループ決定を推測するグループ推薦手法であるAlignGroupを提案する。
  論文  参考訳（メタデータ） (2024-09-04T10:03:09Z)
• A structured regression approach for evaluating model performance across intersectional subgroups [53.91682617836498]
  分散評価(disaggregated evaluation)は、AIフェアネスアセスメントにおける中心的なタスクであり、AIシステムのさまざまなサブグループ間でのパフォーマンスを測定することを目的としている。 非常に小さなサブグループであっても,信頼性の高いシステム性能推定値が得られることを示す。
  論文  参考訳（メタデータ） (2024-01-26T14:21:45Z)
• Multi-Granularity Attention Model for Group Recommendation [7.764789596492022]
  グループレコメンデーションは、共有された興味、好み、特徴に基づいて、ユーザーグループにパーソナライズされたレコメンデーションを提供する。 本稿では、グループメンバーの潜伏傾向を解明し、推薦ノイズを軽減するために、MGAM(Multi-Granularity Attention Model)を提案する。 提案手法は,複数の粒度にわたるグループ推薦ノイズを効果的に低減し,個人の興味を包括的に学習する。
  論文  参考訳（メタデータ） (2023-08-08T03:24:44Z)
• On the Convergence of Clustered Federated Learning [57.934295064030636]
  統合学習システムでは、例えばモバイルデバイスや組織参加者といったクライアントは通常、個人の好みや行動パターンが異なる。 本稿では,クライアントグループと各クライアントを統一最適化フレームワークで活用する,新しい重み付きクライアントベースクラスタリングFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-13T02:39:19Z)
• Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
  グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。 本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
  論文  参考訳（メタデータ） (2020-10-02T07:11:19Z)
• GroupIM: A Mutual Information Maximization Framework for Neural Group Recommendation [24.677145454396822]
  本研究では,歴史的活動が限定的あるいは全くないユーザで構成された短命グループを対象とした項目推薦の課題について検討する。 現存する研究は、活動の歴史がかなりある永続的なグループをターゲットにしているが、短命なグループは歴史的な相互作用を欠いている。 本研究では、同一グループに属するユーザ間の嗜好共分散と、各グループに対する個人の嗜好の文脈的関連性の両方を活用するために、データ駆動型正規化戦略を提案する。
  論文  参考訳（メタデータ） (2020-06-05T23:18:19Z)

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。