論文の概要: IncVNM: An Interactive Recommender System with Incremental von Neumann-Morgenstern Utility Learning

• arxiv url: http://arxiv.org/abs/2611.01786v1
• Date: Sun, 01 Nov 2026 10:46:54 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:57:37.473335
• Title: IncVNM: An Interactive Recommender System with Incremental von Neumann-Morgenstern Utility Learning
• Title（参考訳）: IncVNM: ノイマン・モーゲンステルン・ユーティリティ学習を取り入れた対話型レコメンダシステム
• Abstract要約: textscIncVNMは、ユーザ固有のvon Neumann-Morgenstern(VNM)ユーティリティ関数を漸進的に学習する対話型レコメンデーションシステムである。 提案手法は, 期待回帰, 平均分散, ディスカウントUCB, 分布対応BPRベースラインを大きく上回ることを示す。
• 参考スコア（独自算出の注目度）: 7.141963713642394
• License:
• Abstract: In modern recommender systems, users are often presented with products whose outcomes are random. The values of such products depend on their entire outcome distributions and on users' attitudes toward risk, making them difficult to evaluate using traditional product-level recommendation methods. We propose \textsc{IncVNM}, an interactive recommender system that incrementally learns a user-specific von Neumann--Morgenstern (VNM) utility function from ordinal click feedback generated during ordinary webpage browsing. At each interaction, \textsc{IncVNM} converts the click order within a displayed product list into pairwise comparisons between outcome distributions and updates the nominal utility by minimizing its deviation from the previous estimate while incorporating the newly observed pairwise comparisons. To close the interaction loop, an entropy-regularized sampling policy balances exploitation of the learned utility against exploration for additional preference information. We evaluate \textsc{IncVNM} in a rolling-window experiment with different response-error probabilities and show that it substantially outperforms the expected-return, mean--variance, discounted-UCB, and distribution-aware BPR baselines.
• Abstract（参考訳）: 現代のレコメンデーションシステムでは、ユーザは結果がランダムな製品を提示されることが多い。 このような製品の価値は、成果分布全体とリスクに対するユーザの態度に依存するため、従来の製品レベルのレコメンデーション手法による評価は困難である。 通常のWebページブラウジング時に発生する通常のクリックフィードバックからユーザ固有のvon Neumann--Morgensternユーティリティ関数(VNM)を漸進的に学習する対話型レコメンデータシステムである‘textsc{IncVNM} を提案する。 各インタラクションにおいて、 \textsc{IncVNM} は、表示された製品リスト内のクリック順序を結果分布のペアワイズ比較に変換し、新たに観測されたペアワイズ比較を取り入れつつ、前回の見積から逸脱を最小限にして、名目ユーティリティを更新する。 相互作用ループを閉じるために、エントロピー規則化されたサンプリングポリシーは、追加の選好情報に対する探索に対する学習ユーティリティの活用とバランスをとる。 異なる応答-エラー確率を持つローリングウインドウ実験において, \textsc{IncVNM} の評価を行い, 期待値, 平均分散, 割引-UCB, 分布対応BPRベースラインを著しく上回ることを示す。

関連論文リスト

• 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)
• Value Function Decomposition in Markov Recommendation Process [19.082512423102855]
  本稿では,レコメンダ性能を向上させるためのオンライン強化学習フレームワークを提案する。 これらの2つの因子は、元の時間差損失を分解することで、別々に近似できることを示す。 アンタングル学習フレームワークは、より高速な学習と、アクション探索に対する堅牢性の向上により、より正確な推定を実現することができる。
  論文  参考訳（メタデータ） (2025-01-29T04:22:29Z)
• Estimating Treatment Effects under Recommender Interference: A Structured Neural Networks Approach [32.55211271796683]
  一般に採用されている差分推定器は、推奨者干渉による推定に大きく偏りがあることが示される。 干渉経路を明示的に表現した「推薦者選択モデル」を提案する。 Weixin短ビデオプラットフォーム上での大規模フィールド実験により本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-06-20T14:53:26Z)
• MMGRec: Multimodal Generative Recommendation with Transformer Model [81.61896141495144]
  MMGRecは、マルチモーダルレコメンデーションに生成パラダイムを導入することを目指している。 まず,階層的な量子化手法であるGraph CF-RQVAEを考案し,各項目にRec-IDを割り当てる。 次に、Transformerベースのレコメンデータをトレーニングし、過去のインタラクションシーケンスに基づいて、ユーザが推奨するアイテムのRec-IDを生成する。
  論文  参考訳（メタデータ） (2024-04-25T12:11:27Z)
• Towards Automatic Sampling of User Behaviors for Sequential Recommender Systems [5.46875780473223]
  本稿では,一様でない過去の行動を扱うために,AutoSAMというシーケンシャルレコメンデーションのための新しい自動サンプリングフレームワークを提案する。 ベンチマークレコメンデーションモデルと4つの実世界のデータセットについて広範な実験を行う。
  論文  参考訳（メタデータ） (2023-11-01T09:25:21Z)
• Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
  本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。 AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。 誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:32:51Z)
• Correcting the User Feedback-Loop Bias for Recommendation Systems [34.44834423714441]
  本稿では,レコメンデーションシステムにおいて,ユーザのフィードバックループバイアスを修正するための系統的かつ動的手法を提案する。 本手法は,各ユーザの動的評価履歴の埋め込みを学習するためのディープラーニングコンポーネントを含む。 実世界のレコメンデーションシステムにおけるユーザフィードバックループバイアスの存在を実証的に検証した。
  論文  参考訳（メタデータ） (2021-09-13T15:02:55Z)
• Counterfactual Evaluation of Slate Recommendations with Sequential Reward Interactions [18.90946044396516]
  音楽ストリーミング、ビデオストリーミング、ニュースレコメンデーション、eコマースサービスは、しばしばシーケンシャルな方法でコンテンツを扱う。 したがって、適切なレコメンデーションのシーケンスの提供と評価は、これらのサービスにとって重要な問題である。 そこで本研究では,アナルアンバイアスの少ない報酬の逐次的相互作用が可能な新しい反事実推定器を提案する。
  論文  参考訳（メタデータ） (2020-07-25T17:58:01Z)
• Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
  逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。 当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
  論文  参考訳（メタデータ） (2020-05-21T12:28:59Z)

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。