論文の概要: SOAR: Social and Opinion-Aware Recommendations

• arxiv url: http://arxiv.org/abs/2610.29556v1
• Date: Wed, 21 Oct 2026 10:42:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 09:50:43.245417
• Title: SOAR: Social and Opinion-Aware Recommendations
• Title（参考訳）: SOAR: 社会的および意見に配慮した勧告
• Abstract要約: 本稿では,ユーザの友人関係ネットワークとテキストレビューの両方を組み込んだソーシャル・オピニオン・アウェア・レコメンデーション・モデルを提案する。 実世界のデータセットにおける実験結果は、レビューをレコメンデーションプロセスに組み込むことで、レコメンデーションの精度が向上することを示している。
• 参考スコア（独自算出の注目度）: 0.15039745292757667
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: One of the enduring challenges in online platforms is recommendation. Both communities and advertisers face difficulties in analyzing complex user behavior, identifying habits and evolving preferences, and providing timely recommendations that are relevant to user interests. In particular, point of interest recommendation poses the additional challenge of identifying the factors that influence user behavior, capturing user tendencies, and generating accurate, personalized recommendations for each individual. In this work, we propose SOAR, a Social and Opinion Aware Recommendation model that incorporates both the user's friendship network and textual reviews to assess whether a location is suitable for a specific user, with a particular emphasis on the sentiment of shared reviews. Experimental results in real-world datasets demonstrate that incorporating reviews into the recommendation process improves the precision of the recommendation.
• Abstract（参考訳）: オンラインプラットフォームにおける永続的な課題の1つはレコメンデーションである。 コミュニティと広告主は、複雑なユーザーの行動を分析し、習慣を特定し、好みを進化させ、ユーザーの興味に関連するタイムリーなレコメンデーションを提供するのに困難に直面している。 特に、ポイント・オブ・リコメンデーションは、ユーザの行動に影響を与える要因を特定し、ユーザの傾向を捉え、個々の個人に対して正確でパーソナライズされたレコメンデーションを生成するという、さらなる課題を提起する。 本稿では、ユーザの友人関係ネットワークとテキストレビューの両方を組み込んだSOARを提案し、特定のユーザに適した位置かどうかを、特に共有レビューの感情に重点を置いて評価する。 実世界のデータセットにおける実験結果は、レビューをレコメンデーションプロセスに組み込むことで、レコメンデーションの精度が向上することを示している。

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)
• Co-Authoring the Self: A Human-AI Interface for Interest Reflection in Recommenders [3.818305570907311]
  本稿では,映画レコメンデーションシステムのための人間-AI協調プロファイルを提案する。 静的プロファイルとは異なり、この設計ではユーザーがシステムの推論を直接検査し、修正し、反映させることができる。 1775年のアクティブな映画レコメンデーションユーザによる8週間のオンラインフィールド展開では、ユーザ認識とシステム推論の相違が持続的に現れる。
  論文  参考訳（メタデータ） (2025-10-10T02:20:13Z)
• 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)
• Negative Sampling in Recommendation: A Survey and Future Directions [43.11318243903388]
  Recommender System (RS) は、大量のユーザの行動からパーソナライズされた好みを捉えることを目的としている。 ネガティブサンプリングは、ユーザの行動に固有の真のネガティブな側面を明らかにすることに熟練している。
  論文  参考訳（メタデータ） (2024-09-11T12:48:52Z)
• Review-based Recommender Systems: A Survey of Approaches, Challenges and Future Perspectives [11.835903510784735]
  レビューベースのレコメンデータシステムは、この分野において重要なサブフィールドとして現れている。 本稿では,これらのシステムを分類し,その特徴,有効性,限界を解析し,最先端の手法を要約する。 本稿では,マルチモーダルデータの統合,複数基準評価情報の統合,倫理的考察など,今後の研究の方向性を提案する。
  論文  参考訳（メタデータ） (2024-05-09T05:45:18Z)
• Rethinking the Evaluation of Dialogue Systems: Effects of User Feedback on Crowdworkers and LLMs [57.16442740983528]
  アドホック検索では、評価は暗黙のフィードバックを含むユーザーの行動に大きく依存する。 アノテータの会話知覚におけるターン評価におけるユーザフィードバックの役割はほとんど研究されていない。 本稿では,タスク指向対話システム(TDS)の評価が,ターンのフォローアップ発話を通じて提供されるユーザフィードバック,明示的あるいは暗黙的な評価にどのように影響するかに注目した。
  論文  参考訳（メタデータ） (2024-04-19T16:45:50Z)
• FEBR: Expert-Based Recommendation Framework for beneficial and personalized content [77.86290991564829]
  推奨コンテンツの質を評価するための見習い学習フレームワークであるFEBR(Expert-Based Recommendation Framework)を提案する。 このフレームワークは、推奨評価環境において専門家(信頼できると仮定される)の実証された軌跡を利用して、未知のユーティリティ機能を回復する。 ユーザ関心シミュレーション環境(RecSim)によるソリューションの性能評価を行う。
  論文  参考訳（メタデータ） (2021-07-17T18:21:31Z)
• Reciprocal Recommender Systems: Analysis of State-of-Art Literature, Challenges and Opportunities towards Social Recommendation [14.944946561487535]
  Reciprocal Recommender System (RRS)は、データ駆動型パーソナライズされた意思決定支援ツールである。 RRSは、ユーザの好み、ニーズ、行動に基づいて、ユーザ関連のデータを処理し、フィルタリングし、推奨する。 本稿では,RSのアルゴリズム,融合プロセス,基礎的特徴に着目し,現状のRS研究を要約する。
  論文  参考訳（メタデータ） (2020-07-17T09:48:46Z)

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。