論文の概要: Challenges and Solutions for Bandits in the Wild: Warm-Started Mixture Bandits for Cross-Cohort Slate Recommendation

• arxiv url: http://arxiv.org/abs/2609.37800v1
• Date: Tue, 29 Sep 2026 15:23:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.678719
• Title: Challenges and Solutions for Bandits in the Wild: Warm-Started Mixture Bandits for Cross-Cohort Slate Recommendation
• Title（参考訳）: 野生におけるバンドの課題と解決策:クロスコートスレート勧告のための温かいスタートミキシングバンド
• Abstract要約: 本稿では,従来のコホートから潜伏したユーザグループを学習し,新しいユーザのためのグループインフォームドプリエントを構築するために利用可能なメタデータを利用する,ウォームスタートミキシングバンディットを提案する。 シミュレーション,半合成実験,および713名の登録参加者による25日間のランダム化内配置によるCohortMix-TSの評価を行った。
• 参考スコア（独自算出の注目度）: 26.190799782838493
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many recommender services repeatedly encounter cold-start cohorts, where new users arrive with little or no interaction history. This creates two challenges: learning user preferences quickly from limited feedback and sustaining useful recommendations when each user has a finite catalog that can become repetitive or depleted over time. We propose CohortMix-TS, a warm-started mixture bandit that learns latent user groups from earlier cohorts and uses available metadata to construct group-informed priors for new users. Starting from these fixed priors, the model personalizes independently as feedback from each user becomes available. Session slates combine Thompson sampling with diversity and inventory-depletion controls. We evaluate CohortMix-TS through simulation, semi-synthetic experiments, and a 25-day randomized in-the-wild deployment with 713 registered participants in a Campus Games quiz application. Our evaluations show that cross-cohort transfer improves early recommendation quality and user-level regret, while inventory-aware slate construction helps prevent premature exhaustion of preferred items. In the field deployment, treatment users also showed a larger early-to-late change in correctness than users receiving random recommendations. Together, these results show how warm-start transfer and inventory-aware recommendations can support personalization for short-lived, repeatedly cold-starting cohorts.
• Abstract（参考訳）: 多くのレコメンデーターサービスはコールドスタートのコホートに何度も遭遇する。 これは2つの課題を生み出します: 限られたフィードバックから素早くユーザの好みを学習し、各ユーザが繰り返しあるいは時間の経過とともに枯渇する可能性のある有限のカタログを持っている場合、有用なレコメンデーションを維持する。 提案するCohortMix-TSは,従来のコホートから潜在ユーザグループを学習し,利用可能なメタデータを用いて,新規ユーザのためのグループインフォームドプリエントを構築する。 これらの固定された事前情報から、各ユーザのフィードバックが利用可能になると、モデルは独立してパーソナライズされる。 セッションスレートはトンプソンサンプリングと多様性と在庫減少制御を組み合わせたものだ。 シミュレーション,半合成実験,およびCampus Games quiz アプリケーションに登録された713名の登録参加者による25日間のランダム化内配置により,CohortMix-TSを評価した。 評価の結果,クロスコホート転送により早期の推奨品質とユーザレベルの後悔が向上する一方,在庫対応スレート構造は,優先項目の早期消耗を防止できることがわかった。 フィールド展開では、治療利用者はランダムなレコメンデーションを受けるユーザよりも、早期から後期にかけての精度の変化を示した。 これらの結果は,短期的かつ反復的なコールドスタートコホートに対する,暖かくスタートするトランスファーと在庫に配慮したレコメンデーションがパーソナライズをサポートすることを示す。

関連論文リスト

• Cold-Starts in Generative Recommendation: A Reproducibility Study [66.21573264364211]
  コールドスタートレコメンデーションは、オープンワールドプラットフォームにおいて依然として中心的な課題である。 本稿では,コールドスタートプロトコルの統一スイートに基づく生成的推薦の体系的研究について述べる。
  論文  参考訳（メタデータ） (2026-03-31T15:06:31Z)
• Churn-Aware Recommendation Planning under Aggregated Preference Feedback [6.261444979025644]
  本稿では,近年の規制と技術の変化を動機とした逐次的意思決定問題について考察する。 我々はRec-APCモデルを導入し、匿名ユーザを既知の先行ユーザ型から抽出する。 最適ポリシが有限時間で純粋な利用に収束することを証明し、それらを効率的に計算するための分岐とバウンドのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-07-06T19:22:47Z)
• Search-Based Interaction For Conversation Recommendation via Generative Reward Model Based Simulated User [117.82681846559909]
  会話レコメンデーションシステム(CRS)は、マルチターンインタラクションを使用してユーザの好みを捉え、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,CRSと自動インタラクションを行うための生成報酬モデルに基づくシミュレーションユーザGRSUを提案する。
  論文  参考訳（メタデータ） (2025-04-29T06:37:30Z)
• 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)
• Meta-Learning with Adaptive Weighted Loss for Imbalanced Cold-Start Recommendation [4.379304291229695]
  本稿では,勾配に基づくメタラーニングに基づく新しいシーケンシャルレコメンデーションフレームワークを提案する。 私たちの仕事は、コールドスタートシーケンシャルなレコメンデーションシナリオにおいて、不均衡な評価の影響に最初に取り組みます。
  論文  参考訳（メタデータ） (2023-02-28T15:18:42Z)
• Sparsity Regularization For Cold-Start Recommendation [7.848143873095096]
  ユーザ人口統計とユーザ嗜好を組み合わせることで,ユーザベクタのための新しい表現を導入する。 我々は,スパースユーザ・購入行動を利用したコールド・スタート・レコメンデーションのための新しいスパース・逆モデルSRLGANを開発した。 SRLGANを2つの一般的なデータセットで評価し、最先端の結果を示す。
  論文  参考訳（メタデータ） (2022-01-26T02:28:08Z)
• Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
  コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。 MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
  論文  参考訳（メタデータ） (2021-10-18T08:11:24Z)

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。