推薦システム

insight - 推薦システム

公平な表現学習による個人化された公平性を持つ推薦システム

本論文は、個人化された公平性を持つ推薦システムを実現するための新しいモデルAFRLを提案する。AFRLは、ユーザーの公平性要求に応じて動的に公平な埋め込みを生成することができ、非感受性属性の弁別情報を保持しつつ、属性に依存しないコラボレーション信号を取り入れることで、公平性と精度のトレードオフを改善する。

一般的な推薦システムにおける最新の生成モデルの活用

生成モデルは、ユーザー-アイテム相互作用履歴だけでなく、テキスト、画像、動画といった複雑なデータ分布をモデル化し、サンプリングする能力を発展させてきた。これにより、従来の推薦システムにはない新しい推薦タスクを実現できるようになった。

大規模言語モデルを活用した多視点ハイパーグラフ学習による人間中心の説明可能な推薦

大規模言語モデルの推論能力と多視点ハイパーグラフの構造的利点を融合することで、ユーザーの多様な嗜好を効果的にプロファイリングし、解釈可能な推薦システムを実現する。

データ拡張と対照学習の比較：シーケンシャル推薦における必要性についての研究

一部のデータ拡張戦略は、対照学習ベースの手法を上回る可能性があります。

大規模言語モデルを対話型推薦システムのための生成的ユーザーシミュレーターとして評価する

大規模言語モデル（LLM）を使用した生成的ユーザーシミュレーターは、人間の行動をシミュレートする能力に関する新しいプロトコルを導入します。

GPTRecと強化学習を用いたBeyond-Accuracy目標の調整

GPTRecは、Next-K戦略を使用して訓練されることで、Top-K戦略と同等の効果を達成する。

About

Products

Resources

公平な表現学習による個人化された公平性を持つ推薦システム

一般的な推薦システムにおける最新の生成モデルの活用

大規模言語モデルを活用した多視点ハイパーグラフ学習による人間中心の説明可能な推薦