Loading article…
レコメンデーションシステム（RecSys）または推薦システム（システムをプラットフォーム、エンジン、アルゴリズムなどの用語に置き換えることもあります）は、特定のユーザーに最も関連性の高いアイテムを提案する情報フィルタリングシステムのサブクラスです。 [1] [2] [3]レコメンデーションシステムは、サービスが提供する膨大な数のアイテムの中から個人がアイテムを選択する必要がある場合に特に役立ちます。[1] [4]
通常、提案とは、どの製品を購入するか、どの音楽を聴くか、どのオンラインニュースを読むかなど、さまざまな意思決定プロセスを指します。 [1] レコメンデーションシステムはさまざまな分野で使用されており、よく知られている例としては、ビデオおよび音楽サービスのプレイリストジェネレーター、オンラインストアの製品レコメンダー、ソーシャルメディアプラットフォームのコンテンツレコメンダー、オープンウェブコンテンツレコメンダーなどがあります。[5] [6]これらのシステムは、音楽などの単一の入力タイプ、またはニュース、書籍、検索クエリなどのプラットフォーム内およびプラットフォーム間の複数の入力を使用して動作できます。レストランやオンラインデートなどの特定のトピックに関する人気のあるレコメンデーションシステムもあります。レコメンデーションシステムは、研究論文や専門家、 [7]協力者、[8]金融サービスを探索するためにも開発されています。[9]
コンテンツ発見プラットフォームは、推奨システムツールを使用する実装済みのソフトウェア推奨プラットフォームです。ユーザーメタデータを利用して適切なコンテンツを発見・推奨するとともに、継続的なメンテナンスと開発コストを削減します。コンテンツ発見プラットフォームは、ウェブサイト、モバイルデバイス、セットトップボックスにパーソナライズされたコンテンツを配信します。現在、ニュース記事や学術雑誌記事[10]からテレビ[11]に至るまで、さまざまな形式のコンテンツを対象とした幅広いコンテンツ発見プラットフォームが存在します。通信事業者がホームエンターテイメントへの入り口を目指して競争する中、パーソナライズされたテレビは重要なサービス差別化要因です。学術コンテンツ発見は最近、新たな関心領域となり、学術研究者が関連する学術コンテンツを最新の状態に保ち、偶然に新しいコンテンツを発見できるように支援する企業がいくつか設立されています。[10]
概要
レコメンデーションシステムは通常、協調フィルタリングとコンテンツベースフィルタリングのいずれかまたは両方、および知識ベースシステムなどの他のシステムを使用します。協調フィルタリングのアプローチは、ユーザーの過去の行動（以前に購入または選択したアイテムやそれらのアイテムに与えられた数値評価）と他のユーザーの同様の決定からモデルを構築します。このモデルは、ユーザーが興味を持つ可能性のあるアイテム（またはアイテムの評価）を予測するために使用されます。[12]コンテンツベースフィルタリングのアプローチは、アイテムの一連の個別の事前タグ付けされた特性を利用して、同様の特性を持つ追加のアイテムを推奨します。[13]
協調フィルタリングとコンテンツベース フィルタリングの違いは、初期の 2 つの音楽推奨システムであるLast.fmとPandora Radio を比較することで実証できます。
- Last.fm は、ユーザーが定期的に聴いているバンドや個々のトラックを観察し、それを他のユーザーの聴取行動と比較することで、推奨曲の「ステーション」を作成します。Last.fm は、ユーザーのライブラリには表示されないトラックを再生しますが、同様の興味を持つ他のユーザーが頻繁に再生します。このアプローチはユーザーの行動を活用するため、協調フィルタリング技術の一例です。[14]
- Pandora は、曲やアーティストのプロパティ ( Music Genome Projectによって提供される 400 個の属性のサブセット) を使用して、同様のプロパティを持つ音楽を再生する「ステーション」を作成します。ユーザーからのフィードバックは、ステーションの結果を絞り込むために使用されます。ユーザーが特定の曲を「嫌い」と評価した場合は特定の属性を軽視し、ユーザーが曲を「好き」と評価した場合は他の属性を強調します。これは、コンテンツ ベースのアプローチの一例です。
各タイプのシステムには長所と短所があります。上記の例では、Last.fm は正確な推奨を行うためにユーザーに関する大量の情報を必要とします。これはコールドスタート問題の例であり、協調フィルタリングシステムでは一般的です。[15] [16] [17] [18] [19] [20]一方、Pandora は開始するのに必要な情報がほとんどありませんが、その範囲ははるかに限られています (たとえば、元のシードに類似した推奨しか作成できません)。
レコメンデーション システムは、ユーザーが他の方法では見つけられなかったアイテムを発見するのに役立つため、検索アルゴリズムの便利な代替手段です。注目すべきは、レコメンデーション システムは、非伝統的なデータをインデックス化する検索エンジンを使用して実装されることが多いことです。
レコメンデーションシステムは、いくつかの特許[21] [22] [23] [24] [25]の対象となっており、LensKit、 [27] [28] RecBole、[29] ReChorus [30] RecPack [31]など、レコメンデーションシステムの開発をサポートするソフトウェアライブラリ[26]が50以上あります。
歴史
エレイン・リッチは1979年にグランディと呼ばれる最初の推薦システムを作成しました。[32] [33]彼女は、ユーザーが好みそうな本を推薦する方法を模索しました。彼女のアイデアは、ユーザーに特定の質問をして、その回答に応じて好みのクラス、つまり「ステレオタイプ」に分類するシステムを作成することでした。ユーザーのステレオタイプのメンバーシップに応じて、ユーザーは好みそうな本を推薦されます。
もう一つの初期のレコメンデーションシステムは「デジタルブックシェルフ」と呼ばれ、コロンビア大学の Jussi Karlgrenによって1990年の技術レポートで説明され、 [34] 、1994年以降、当時SICSにいたJussi Karlgren、[35] [36]や、 MITのPattie Maes [37]、BellcoreのWill Hill [38]、同じくMITのPaul Resnick [39] らが率いる研究グループによって大規模に実装され、技術レポートや出版物で検討されました。ResnickのGroupLensに関する研究は、2010年のACMソフトウェアシステム賞を受賞しました。
Montanerは、インテリジェントエージェントの観点からレコメンデーションシステムについて初めて概要を提供しました。[40] Adomaviciusは、レコメンデーションシステムの新しい概要を提供しました。[41] Herlockerは、レコメンデーションシステムの評価技術について追加の概要を提供し、[42 ] Beelらはオフライン評価の問題について議論しました。[43] Beelらは、利用可能な研究論文レコメンデーションシステムと既存の課題に関する文献調査も行っています。[44] [45]
アプローチ
協調フィルタリング
広く使用されている推薦システムの設計アプローチの 1 つに、協調フィルタリングがあります。[46]協調フィルタリングは、過去に同意した人々は将来も同意し、過去に好んだのと同じような種類のアイテムを好むという仮定に基づいています。システムは、さまざまなユーザーまたはアイテムの評価プロファイルに関する情報のみを使用して推奨を生成します。現在のユーザーまたはアイテムと評価履歴が似ているピアユーザー/アイテムを見つけることで、この近傍を使用して推奨を生成します。協調フィルタリングの方法は、メモリベースとモデルベースに分類されます。メモリベースのアプローチのよく知られた例はユーザーベースアルゴリズムです。[47]モデルベースのアプローチのよく知られた例は行列分解（推薦システム）です。[48]
協調フィルタリングアプローチの主な利点は、機械で分析可能なコンテンツに依存しないため、アイテム自体を「理解」する必要なく、映画などの複雑なアイテムを正確に推奨できることです。推奨システムでは、ユーザーの類似性やアイテムの類似性を測定するために多くのアルゴリズムが使用されてきました。たとえば、k近傍法（k-NN）アプローチ[49]や、 Allenによって最初に実装されたピアソン相関法[50]などです。
ユーザーの行動からモデルを構築する場合、明示的なデータ収集形式と暗黙的なデータ収集形式を区別することがよくあります。
明示的なデータ収集の例には次のようなものがあります。
- ユーザーにスライディングスケールでアイテムを評価するよう依頼します。
- ユーザーに検索を依頼します。
- ユーザーに、アイテムのコレクションをお気に入りから嫌いなものまでランク付けするよう依頼します。
- ユーザーに 2 つのアイテムを提示し、そのうちのより良いものを選択するように依頼します。
- ユーザーに好きなアイテムのリストを作成するように依頼します ( Rocchio 分類またはその他の同様の手法を参照)。
暗黙的なデータ収集の例には次のようなものがあります。
- ユーザーがオンライン ストアで閲覧するアイテムを観察します。
- アイテム/ユーザーの閲覧時間を分析する。[51]
- ユーザーがオンラインで購入した商品の記録を保持します。
- ユーザーが自分のコンピューターで視聴または聴取したアイテムのリストを取得します。
- ユーザーのソーシャル ネットワークを分析し、類似した好き嫌いを発見します。
協調フィルタリングのアプローチは、コールドスタート、スケーラビリティ、スパース性という3つの問題を抱えていることが多い。 [52]
- コールドスタート: 新しいユーザーやアイテムの場合、正確な推奨を行うのに十分なデータがありません。注: この問題に対する一般的な解決策の1つは、マルチアームバンディットアルゴリズムです。[53] [15] [16] [18] [20]
- スケーラビリティ: これらのシステムが推奨を行う環境の多くには、何百万ものユーザーと製品が存在します。そのため、推奨を計算するには、多くの場合、大量の計算能力が必要になります。
- スパース性: 主要な電子商取引サイトで販売されている商品の数は非常に多く、最もアクティブなユーザーはデータベース全体のごく一部しか評価していません。そのため、最も人気のある商品であっても評価はごくわずかです。
協調フィルタリングの最も有名な例の1つは、アイテム間の協調フィルタリング（xを購入した人はyも購入する）であり、これはAmazon.comの推奨システムによって普及したアルゴリズムです。[54]
多くのソーシャルネットワークはもともと、ユーザーとその友人とのつながりのネットワークを調べて、新しい友人、グループ、その他のソーシャル接続を推奨するために協調フィルタリングを使用していました。 [1]協調フィルタリングは現在でもハイブリッドシステムの一部として使用されています。
コンテンツベースのフィルタリング
レコメンデーションシステムを設計する際のもう1つの一般的なアプローチは、コンテンツベースのフィルタリングです。コンテンツベースのフィルタリング方法は、アイテムの説明とユーザーの好みのプロファイルに基づいています。[55] [56]これらの方法は、アイテムに関する既知のデータ（名前、場所、説明など）があるが、ユーザーに関するデータはない場合に最適です。コンテンツベースのレコメンデーションは、推奨をユーザー固有の分類問題として扱い、アイテムの特徴に基づいてユーザーの好き嫌いの分類子を学習します。
このシステムでは、キーワードを使用してアイテムを説明し、ユーザーが好むアイテムの種類を示すユーザー プロファイルを作成します。言い換えると、これらのアルゴリズムは、ユーザーが過去に好んだアイテムや現在検討しているアイテムに類似したアイテムを推奨しようとします。この一時的なプロファイルを生成するために、ユーザーのサインイン メカニズムに依存しません。特に、さまざまな候補アイテムが、ユーザーが以前に評価したアイテムと比較され、最も一致するアイテムが推奨されます。このアプローチは、情報検索と情報フィルタリングの研究に根ざしています。
ユーザー プロファイルを作成するために、システムは主に次の 2 種類の情報に焦点を当てます。
- ユーザーの好みのモデル。
- ユーザーの推奨システムとのやり取りの履歴。
基本的に、これらの方法は、システム内のアイテムを特徴付けるアイテムプロファイル（つまり、離散的な属性と機能のセット）を使用します。システム内のアイテムの機能を抽象化するために、アイテムプレゼンテーションアルゴリズムが適用されます。広く使用されているアルゴリズムは、tf-idf表現（ベクトル空間表現とも呼ばれる）です。[57]システムは、アイテム機能の重み付きベクトルに基づいて、ユーザーのコンテンツベースのプロファイルを作成します。重みは、ユーザーにとっての各機能の重要性を示し、さまざまな手法を使用して個別に評価されたコンテンツベクトルから計算できます。単純なアプローチでは、評価されたアイテムベクトルの平均値を使用しますが、他の洗練された方法では、ベイズ分類器、クラスター分析、決定木、人工ニューラルネットワークなどの機械学習手法を使用して、ユーザーがアイテムを気に入る可能性を推定します。[58]
コンテンツベースのフィルタリングに関する重要な問題は、システムが 1 つのコンテンツ ソースに関するユーザーのアクションからユーザーの好みを学習し、それを他のコンテンツ タイプで使用できるかどうかです。システムが、ユーザーがすでに使用しているのと同じタイプのコンテンツを推奨することに限定されている場合、推奨システムの価値は、他のサービスの他のコンテンツ タイプを推奨できる場合よりも大幅に低くなります。たとえば、ニュースの閲覧に基づいてニュース記事を推奨することは便利です。それでも、ニュースの閲覧に基づいて、さまざまなサービスの音楽、ビデオ、製品、ディスカッションなどを推奨できれば、はるかに便利です。これを克服するために、ほとんどのコンテンツベースの推奨システムは現在、何らかの形のハイブリッド システムを使用しています。
コンテンツベースの推薦システムには、意見ベースの推薦システムも含まれる。場合によっては、ユーザーはアイテムに関するテキストレビューやフィードバックを残すことができる。これらのユーザー生成テキストは、アイテムの機能/側面とアイテムに対するユーザーの評価/感情の両方の潜在的に豊富なリソースであるため、推薦システムにとって暗黙のデータである。ユーザー生成レビューから抽出された機能は、アイテムの改善されたメタデータである。なぜなら、それらはメタデータのようにアイテムの側面も反映するため、抽出された機能はユーザーに広く関心があるからである。レビューから抽出された感情は、対応する機能に対するユーザーの評価スコアと見なすことができる。意見ベースの推薦システムの一般的なアプローチは、テキストマイニング、情報検索、感情分析（マルチモーダル感情分析も参照）、ディープラーニングなど、さまざまな技術を利用している。[59]
ハイブリッド推奨アプローチ
現在、ほとんどのレコメンデーション システムは、協調フィルタリング、コンテンツ ベース フィルタリング、およびその他のアプローチを組み合わせたハイブリッド アプローチを使用しています。同じタイプの複数の異なる手法をハイブリッド化できない理由はありません。ハイブリッド アプローチは、コンテンツ ベースと協調ベースの予測を別々に行い、それらを組み合わせる、コンテンツ ベースの機能を協調ベースのアプローチに追加する (またはその逆)、または 1 つのモデルにアプローチを統合するなど、いくつかの方法で実装できます。 [41]ハイブリッドのパフォーマンスを純粋な協調およびコンテンツ ベースの方法と経験的に比較したいくつかの研究では、ハイブリッド メソッドが純粋なアプローチよりも正確な推奨を提供できることが実証されています。これらの方法は、コールド スタートやスパース性の問題など、レコメンデーション システムに共通する問題や、知識ベースアプローチの知識エンジニアリングのボトルネックを克服するためにも使用できます。[60]
Netflixはハイブリッド推薦システムの使用例です。[61]このウェブサイトは、類似したユーザーの視聴習慣や検索習慣を比較して推薦を行う（協調フィルタリング）だけでなく、ユーザーが評価した映画と特徴を共有する映画を提案する（コンテンツベースのフィルタリング）ことで推薦を行っています。
ハイブリダイゼーション技術には次のようなものがあります。
- 加重: さまざまな推奨コンポーネントのスコアを数値で組み合わせます。
- 切り替え: 推奨コンポーネントを選択し、選択したものを適用します。
- 混合: 異なる推奨者からの推奨事項が一緒に提示され、推奨事項が提示されます。
- カスケード: 推奨者には厳密な優先順位が与えられ、優先順位の低い推奨者は、優先順位の高い推奨者のスコアリングで同点の場合に優位になります。
- メタレベル：1つの推奨技術が適用され、何らかのモデルが生成され、それが次の技術の入力として使用されます。[62]
テクノロジー
セッションベースのレコメンデーションシステム
これらのレコメンデーションシステムは、セッション[63]内のユーザーのインタラクションを使用してレコメンデーションを生成します。セッションベースのレコメンデーションシステムは、YouTube [64]や Amazon [65]で使用されています。これらは、ユーザーの履歴 (過去のクリック、購入など) が利用できない、または現在のユーザーセッションに関連しない場合に特に便利です。セッションベースのレコメンデーションが特に関連するドメインには、ビデオ、eコマース、旅行、音楽などがあります。セッションベースのレコメンデーションシステムのほとんどのインスタンスでは、ユーザーの追加の詳細 (履歴、人口統計) を必要とせず、セッション内の最近のインタラクションのシーケンスに依存しています。セッションベースのレコメンデーションの手法は、主に、再帰型ニューラルネットワーク、[63] [66] トランスフォーマー、[67]などの生成シーケンシャルモデルと、その他のディープラーニングベースのアプローチに基づいています。[68] [69]
レコメンデーションシステムのための強化学習
推薦問題は、強化学習問題の特殊な例として考えることができます。つまり、ユーザーは、推薦システムがクリックやユーザーの関与などの報酬を受け取るために行動するエージェントの環境です。[64] [70] [71]推薦システムの分野で特に役立つ強化学習の1つの側面は、推薦エージェントに報酬を与えることでモデルやポリシーを学習できるということです。これは、柔軟性の低い教師あり学習アプローチに依存する従来の学習手法とは対照的です。強化学習の推薦手法では、関与やユーザーの関心の指標に基づいて直接最適化できるモデルをトレーニングできる可能性があります。[72]
多基準推奨システム
多基準推薦システム（MCRS）は、複数の基準に基づいて嗜好情報を組み込んだ推薦システムとして定義できます。これらのシステムは、単一の基準値、つまりアイテム i に対するユーザー u の全体的な嗜好に基づいて推薦手法を開発するのではなく、この全体的な嗜好値に影響を与える複数の基準に関する嗜好情報を活用して、u の未調査アイテムの評価を予測しようとします。多くの研究者は、MCRS を多基準意思決定（MCDM）の問題として捉え、MCDM の方法と手法を適用して MCRS システムを実装しています。[73]詳細な紹介については、 この章[74]を参照してください。
リスクを考慮した推奨システム
推薦システムに対する既存のアプローチの大部分は、コンテキスト情報を使用してユーザーに最も関連性の高いコンテンツを推奨することに重点を置いていますが、不要な通知でユーザーを煩わせるリスクを考慮していません。たとえば、専門的な会議中、早朝、深夜など、特定の状況で推奨事項を押し付けることによってユーザーを動揺させるリスクを考慮することが重要です。したがって、推薦システムのパフォーマンスは、リスクを推奨プロセスに組み込んだ程度に部分的に依存します。この問題を管理する1つのオプションは、コンテキスト認識型推奨をバンディット問題としてモデル化するシステムであるDRARSです。このシステムは、コンテンツベースの手法とコンテキストバンディットアルゴリズムを組み合わせています。[75]
モバイルレコメンデーションシステム
モバイルレコメンデーションシステムは、インターネットにアクセスできるスマートフォンを利用して、パーソナライズされた状況に応じたレコメンデーションを提供します。モバイルデータはレコメンデーションシステムが扱うデータよりも複雑であるため、これは特に難しい研究分野です。モバイルデータは不均一でノイズが多く、空間的および時間的な自己相関が必要であり、検証と一般性の問題があります。[76]
モバイルレコメンデーションシステムと予測結果の精度に影響を与える可能性のある要因は3つあります。コンテキスト、推奨方法、プライバシーです。[77]さらに、モバイルレコメンデーションシステムは移植問題を抱えています。つまり、推奨がすべての地域に適用されない可能性があるのです（たとえば、すべての材料が入手できない地域でレシピを推奨するのは賢明ではありません）。
モバイルレコメンデーションシステムの一例として、 UberやLyftなどの企業が都市内のタクシー運転手の運転ルートを生成するために採用しているアプローチが挙げられます。[76]このシステムは、タクシー運転手が仕事中に通るルートのGPSデータを使用します。これには、位置（緯度と経度）、タイムスタンプ、運行状況（乗客の有無）が含まれます。このデータを使用して、乗車時間と利益を最適化することを目的として、ルート沿いのピックアップポイントのリストを推奨します。
生成型レコメンダー
生成型レコメンデーション（GR）は、推奨タスクをシーケンシャルトランスダクション問題に変換するアプローチであり、ユーザーアクションは生成モデリングフレームワーク内のトークンのように扱われます。 HSTU（階層的シーケンシャルトランスダクションユニット）と呼ばれる1つの方法では、[78]高カーディナリティ、非定常、ストリーミングデータセットがシーケンスとして効率的に処理され、モデルが数兆個のパラメータから学習し、以前よりも桁違いに長いユーザーアクション履歴を処理できるようになります。 システムのさまざまなデータをすべて単一のトークンストリームに変換し、従来のニューラルネットワーク層の代わりにカスタムの自己注意アプローチを使用することで、生成型レコメンデーションはモデルを大幅に簡素化し、メモリ消費を抑えます。 その結果、テストシミュレーションや実際のテストでの推奨品質を向上させることができ、ユーザーアクションの長いリストを処理する際の速度が、以前のTransformerベースのシステムよりも向上します。最終的に、このアプローチにより、使用されるコンピューティング能力が増えるにつれてモデルのパフォーマンスが着実に向上し、推奨のための効率的でスケーラブルな「基盤モデル」の基盤が築かれます。
Netflix賞
推薦システムの研究を活性化させたイベントの 1 つに、Netflix Prizeがあります。2006 年から 2009 年にかけて、Netflix は、1 億件を超える映画評価のデータセットを使用して、同社の既存の推薦システムよりも 10% 正確な推薦を返すことができるチームに 100 万ドルの賞金を提供するコンテストを後援しました。このコンテストは、より正確な新しいアルゴリズムの探求を活性化させました。2009 年 9 月 21 日、タイブレーク ルールを使用して、BellKor の Pragmatic Chaos チームに 100 万ドルの賞金が授与されました。[79]
2007年に最も正確なアルゴリズムは、107の異なるアルゴリズムアプローチのアンサンブル法を使用して、単一の予測にブレンドしました。優勝者のベルらは次のように述べています。[80]
複数の予測子を組み合わせると、予測精度が大幅に向上します。私たちの経験では、単一の手法を改良するのではなく、大幅に異なるアプローチを導き出すことにほとんどの労力を集中させる必要があります。 その結果、私たちのソリューションは多くの方法を組み合わせたものになります。
Netflixプロジェクトにより、ウェブには多くの利益がもたらされました。いくつかのチームは、その技術を他の市場に応用しました。2位に終わったチームのメンバーの中には、RecSysコミュニティで活動しているレコメンデーションエンジンであるGravity R&Dを設立した人もいます。[79] [81] 4-Tell, Inc.は、eコマースウェブサイト向けにNetflixプロジェクトから派生したソリューションを作成しました。
NetflixがNetflix Prizeコンテストのために提供したデータセットをめぐっては、多くのプライバシー問題が浮上した。データセットは顧客のプライバシーを保護するために匿名化されていたが、2007年にテキサス大学の研究者2人が、データセットをインターネット映画データベース（IMDb）の映画評価と照合することで、個々のユーザーを特定することができた。[82]その結果、2009年12月、匿名のNetflixユーザーがDoe v. NetflixでNetflixを訴え、Netflixがデータセットを公開したことで米国公正取引法とビデオプライバシー保護法に違反したと主張した。 [83]このことと連邦取引委員会の懸念により、2010年に第2回Netflix Prizeコンテストは中止された。[84]
評価
パフォーマンス測定
評価は推奨アルゴリズムの有効性を評価する上で重要です。推奨システムの有効性を測定し、さまざまなアプローチを比較するために、ユーザー調査、オンライン評価（A/Bテスト）、オフライン評価の3種類の評価が利用可能です。 [43]
一般的に使用される指標は平均二乗誤差と平均二乗誤差で、後者はNetflix Prizeで使用されました。精度と再現率、またはDCGなどの情報検索指標は、推奨方法の品質を評価するのに役立ちます。多様性、新規性、カバレッジも評価の重要な側面と見なされます。[85]しかし、古典的な評価基準の多くは非常に批判されています。[86]
固定されたテスト データセットで推奨アルゴリズムのパフォーマンスを評価することは、推奨に対する実際のユーザーの反応を正確に予測することが不可能であるため、常に非常に困難です。したがって、オフライン データでアルゴリズムの有効性を計算するメトリックは不正確になります。
ユーザー調査は比較的小規模です。数十人または数百人のユーザーに、さまざまな推奨アプローチによって作成された推奨事項が提示され、ユーザーはどの推奨事項が最適かを判断します。
A/B テストでは、通常、実際の製品の何千人ものユーザーに推奨事項が表示され、推奨システムは少なくとも 2 つの異なる推奨アプローチをランダムに選択して推奨事項を生成します。有効性は、コンバージョン率やクリックスルー率などの暗黙的な有効性の尺度で測定されます。
オフライン評価は、例えばユーザーが以前に映画をどのように評価したかに関する情報を含むデータセットなどの履歴データに基づいています。[87]
推薦アプローチの有効性は、推薦アプローチがデータセット内のユーザーの評価をどれだけ正確に予測できるかに基づいて測定されます。評価はユーザーが映画を気に入ったかどうかを明示的に表現したものですが、そのような情報はすべてのドメインで利用できるわけではありません。たとえば、引用推薦システムの分野では、ユーザーは通常、引用または推薦された記事を評価しません。このような場合、オフライン評価では暗黙的な有効性の尺度が使用されることがあります。たとえば、研究論文の参考文献リストに含まれる記事をできるだけ多く推薦できる推薦システムは効果的であると想定される場合があります。ただし、このようなオフライン評価は多くの研究者から批判されています。[88] [89] [90] [43]たとえば、オフライン評価の結果は、ユーザー調査や A/B テストの結果との相関が低いことが示されています。[90] [91]オフライン評価でよく使用されるデータセットには重複データが含まれており、アルゴリズムの評価で誤った結論につながることが示されています。[92]多くの場合、いわゆるオフライン評価の結果は、実際に評価されたユーザー満足度とは相関しません。[93]これは、オフライントレーニングが到達可能な項目に大きく偏っており、オフラインテストのデータがオンライン推奨モジュールの出力に大きく影響されるためと考えられます。[88] [94]研究者は、オフライン評価の結果は批判的に見る必要があると結論付けています。[95]
正確さを超えて
通常、レコメンデーション システムに関する研究は、最も正確なレコメンデーション アルゴリズムを見つけることに重点が置かれています。ただし、重要な要素もいくつかあります。
- 多様性– リスト内の多様性が高い場合、例えば異なるアーティストのアイテムがある場合、ユーザーは推奨に満足する傾向があります。[96] [97]
- 推薦者の持続性– 状況によっては、新しいアイテムを表示するよりも、推薦を再表示したり[98]、ユーザーにアイテムを再評価させたり[99]する方が効果的です。これにはいくつかの理由があります。たとえば、ユーザーは初めてアイテムが表示されたときに、推薦内容を注意深く調べる時間がなかったために、そのアイテムを無視することがあります。
- プライバシー– 推薦システムは通常、プライバシーの問題に対処する必要があります[100]。ユーザーが機密情報を開示する必要があるためです。協調フィルタリングを使用してユーザープロファイルを構築することは、プライバシーの観点から問題となる可能性があります。多くのヨーロッパ諸国ではデータプライバシーの文化が強く、ユーザープロファイリングをいかなるレベルでも導入しようとすると、顧客の反応が悪くなる可能性があります。この分野で進行中のプライバシー問題については、多くの研究が行われてきました。Netflix Prize は、データセットで公開される詳細な個人情報で特に注目されています。Ramakrishnan らは、パーソナライゼーションとプライバシーのトレードオフについて広範囲に調査し、弱いつながり (偶然の推薦を提供する予期しないつながり) と他のデータソースの組み合わせを使用して、匿名化されたデータセット内のユーザーの身元を明らかにできることを発見しました。[101]
- ユーザーの人口統計– Beelらは、ユーザーの人口統計が、ユーザーが推奨にどの程度満足しているかに影響を与える可能性があることを発見しました。[102]彼らの論文では、高齢のユーザーは若いユーザーよりも推奨に興味を持つ傾向があることが示されています。
- 堅牢性– ユーザーがレコメンデーションシステムに参加できる場合、不正行為の問題に対処する必要があります。[103]
- セレンディピティ–セレンディピティは「推薦がどれだけ意外であるか」を測る尺度です。[104] [97]たとえば、食料品店で顧客に牛乳を推薦する推薦システムは完全に正確かもしれませんが、顧客が購入するのは明らかな商品であるため、良い推薦とは言えません。 「[セレンディピティ]には2つの目的があります。1つ目は、選択肢が均一すぎるためにユーザーが興味を失う可能性が減ることです。2つ目は、これらのアイテムはアルゴリズムが学習して改善するために必要です。」[105]
- 信頼– ユーザーがシステムを信頼していない場合、推薦システムはユーザーにとってほとんど価値がありません。[106]推薦システムがどのように推奨を生成するか、なぜそのアイテムを推奨するかを説明することで、信頼を構築することができます。
- ラベル付け– 推奨事項に対するユーザーの満足度は、推奨事項のラベル付けによって影響を受ける可能性があります。[107]たとえば、引用された調査では、 「スポンサー」というラベルが付けられた推奨事項のクリックスルー率(CTR) は、「オーガニック」というラベルが付けられた同じ推奨事項の CTR (CTR = 8.86%) よりも低く (CTR = 5.93%) なっています。この調査では、ラベルのない推奨事項が最も優れたパフォーマンスを示しました (CTR = 9.87%)。
再現性
レコメンデーション システムはオフラインでの評価が非常に難しいことで有名で、一部の研究者は、これがレコメンデーション システムの出版物における再現性の危機につながっていると主張しています。再現性の話題は、一部の機械学習の出版物の場では繰り返し取り上げられる問題のようですが、科学出版物の世界以外に大きな影響を与えることはありません。レコメンデーション システムの文脈では、トップ カンファレンス (SIGIR、KDD、WWW、RecSys、IJCAI) で発表された、トップ k 推奨問題にディープラーニングまたはニューラル メソッドを適用した厳選された少数の出版物を調査した 2019 年の論文によると、調査の著者によって再現できた論文は平均で 40% 未満であり、カンファレンスによっては 14% にまで減少しました。これらの論文では、今日の研究奨学金における潜在的な問題をいくつか検討し、その分野での科学的実践の改善を提案しています。[108] [109] [110] 同じ方法のセットをベンチマークする最近の研究では、質的に非常に異なる結果が得られました[111]。その結果、ニューラルメソッドが最も優れた方法の1つであることがわかりました。レコメンデーションシステムのためのディープラーニングとニューラルメソッドは、最近のいくつかのレコメンデーションシステムチャレンジ、WSDM、[112] RecSys Challengeの優勝ソリューションに使用されています。[113] さらに、ニューラルおよびディープラーニングの方法は、業界で広く使用されており、広範囲にテストされています。[114] [64] [65]再現性のトピックは、レコメンデーションシステムでは新しいものではありません。 2011年までに、Ekstrand、Konstan、および他は、「現在、レコメンデーションシステムの研究結果を再現および拡張することは困難である」と批判し、評価は「一貫して処理されていない」としました。[115]コンスタンとアドマビチウスは、「レコメンデーションシステムの研究コミュニティは、多くの論文が集合的知識にほとんど貢献しない結果を提示しているという危機に直面している。[...] 多くの場合、研究には [...] 適切に判断され、したがって有意義な貢献を提供するための評価が欠けているからだ」と結論付けている。[116]結果として、レコメンデーションシステムに関する多くの研究は再現不可能であると考えられる。[117]そのため、レコメンデーションシステムの運営者は、レコメンデーションシステムでどのレコメンデーションアプローチを使用するかという疑問に答えるための指針を現在の研究からほとんど見つけることができない。サイードとベロギンは、この分野で発表された論文の研究を行い、レコメンデーションのための最も人気のあるフレームワークのいくつかをベンチマークし、同じアルゴリズムとデータセットが使用された場合でも、結果に大きな矛盾があることを発見した。[118]一部の研究者は、推奨アルゴリズムやシナリオのわずかな変化が、推奨システムの有効性に大きな変化をもたらすことを実証しました。彼らは、現状を改善するには7つの行動が必要であると結論付けています。[117]「(1)他の研究分野を調査し、そこから学ぶ、(2)再現性についての共通理解を見つける、(3)再現性に影響を与える決定要因を特定して理解する、(4)より包括的な実験を行う、(5)出版慣行を近代化する、(6)推奨フレームワークの開発と使用を促進する、(7)推奨システム研究のベストプラクティスガイドラインを確立する。」
推奨における人工知能の応用
推薦システムにおける人工知能（AI）アプリケーションは、AI技術を活用して推薦エンジンのパフォーマンスを強化する高度な方法論である。AIベースの推薦者は、複雑なデータセットを分析し、ユーザーの行動、好み、インタラクションから学習して、非常に正確でパーソナライズされたコンテンツや製品の提案を生成することができる。[119]推薦システムへのAIの統合は、従来の推薦方法からの大きな進化を示している。従来の方法は、一般的なユーザーの傾向やコンテンツの明らかな類似性に基づいてアイテムを提案できる柔軟性のないアルゴリズムに依存することが多かった。対照的に、AIを搭載したシステムには、従来の方法では見落とされる可能性のあるパターンや微妙な違いを検出する機能がある。[120]これらのシステムは特定の個人の好みに適応できるため、個々のユーザーのニーズにより合った推奨事項を提供できます。このアプローチは、よりパーソナライズされたユーザー中心の提案への移行を示しています。
推薦システムでは、機械学習、ディープラーニング、自然言語処理などのAI技術が広く採用されています。[121]これらの高度な方法により、システムの機能が強化され、ユーザーの好みを予測し、パーソナライズされたコンテンツをより正確に提供できるようになります。各技術は独自の貢献をしています。次のセクションでは、推薦システムで利用される特定のAIモデルについて、その理論と機能を示しながら紹介します。[要出典]
KNNベースの協調フィルタ
協調フィルタリング（CF）は、最も一般的に使用されている推奨システムアルゴリズムの1つです。明示的または暗黙的な行動パターンに基づいて、ユーザー向けにパーソナライズされた提案を生成し、予測を立てます。[122]具体的には、星評価、購入履歴などの外部フィードバックに基づいて判断を下します。CFは、類似性の測定に基づいてユーザーの好みを予測します。基本的に、基礎となる理論は、「ユーザーAがユーザーBに似ていて、AがアイテムCを好む場合、BもアイテムCを好む可能性が高い」というものです。
協調フィルタリングには多くのモデルが利用可能です。AI を適用した協調フィルタリングでは、K 近傍法と呼ばれるモデルが一般的です。その考え方は次のとおりです。
- データ表現: 各軸がユーザーの特性 (評価、購入など) を表す n 次元空間を作成します。ユーザーをその空間内の点として表します。
- 統計距離: 「距離」は、この空間内でのユーザー間の距離を測定します。計算の詳細については、統計距離を参照してください。
- 近傍の特定: 計算された距離に基づいて、推奨したいユーザーの最も近い近傍k人を見つける
- 予測的な推奨の形成: システムはk個の近隣の類似した好みを分析します。システムはその類似性に基づいて推奨を行います。
ニューラルネットワーク
人工ニューラルネットワーク（ANN）は、人間の脳を模倣することを目的としたディープラーニングモデル構造です。一連のニューロンで構成され、各ニューロンは相互接続された他のニューロンから送信される情報を受信して処理する役割を担っています。[123]人間の脳と同様に、これらのニューロンは入力信号（トレーニング入力とバックプロパゲーションされた出力）に基づいて活性化状態を変更し、システムがネットワーク学習フェーズ中に活性化の重みを調整できるようにします。ANNは通常、ブラックボックスモデルとして設計されています。基礎となる理論的要素が形式的で固定されている通常の機械学習とは異なり、ニューロンの協調効果は完全には明らかではありませんが、最近の実験ではANNの予測力が示されています。
ANNは、様々なデータを活用できるため、レコメンデーションシステムで広く使用されています。フィードバックデータ以外にも、ANNは協調フィルタリングでは学習できないほど複雑すぎる非フィードバックデータを組み込むことができ、独自の構造により、ANNは非フィードバックデータから追加の信号を識別してユーザーエクスペリエンスを向上させることができます。[121]以下にいくつかの例を示します。
- 時間と季節性: ユーザーがプラットフォームとやり取りする時間と日付、または季節を指定するもの
- ユーザー ナビゲーション パターン: 訪問したページの順序、Web サイトのさまざまな部分に費やされた時間、マウスの動きなど。
- 外部ソーシャルトレンド：外部ソーシャルメディアからの情報
2タワーモデル
2塔モデルは、大規模な推薦システム、特に候補検索タスクでよく使われるニューラルアーキテクチャ[124]です。 [125]このモデルは2つのニューラルネットワークで構成されています。
- ユーザータワー: インタラクション履歴や人口統計データなどのユーザー固有の機能をエンコードします。
- アイテムタワー:メタデータやコンテンツの埋め込みなど、アイテム固有の機能をエンコードします。
2 つのタワーの出力は、共有ベクトル空間内のユーザーとアイテムを表す固定長の埋め込みです。ドット積やコサイン類似度などの類似度メトリックは、ユーザーとアイテム間の関連性を測定するために使用されます。
このモデルは、アイテムの埋め込みを事前に計算できるため、推論中に迅速に取得でき、大規模なデータセットに非常に効率的です。エンドツーエンドの推奨パイプラインのランキング モデルと組み合わせて使用されることがよくあります。
自然言語処理
自然言語処理は、人間の自然な言語を機械がアクセスして分析できるようにするための一連のAIアルゴリズムです。[126]これは、増加するテキスト情報に触発されたかなり現代的な技術です。推奨システムへの応用では、Amazonの顧客レビューが一般的なケースです。Amazonは各顧客からのフィードバックコメントを分析し、関連データを他の顧客に報告して参照します。近年、潜在的意味解析（LSA）、特異値分解（SVD）、潜在ディリクレ配分法（LDA）など、さまざまなテキスト分析モデルが開発されています。それらの使用は、一貫して顧客により正確でカスタマイズされた推奨事項を提供することを目的としてきました。
特定のアプリケーション
学術コンテンツの発見
コンテンツ発見プラットフォームの新たな市場は学術コンテンツです。[127] [128]毎日約6000の学術雑誌論文が出版されており、研究者が時間管理と関連研究の最新情報の把握のバランスを取ることがますます困難になっています。[10] Google ScholarやPubMedなどの従来の学術検索ツールは、すぐにアクセスできる雑誌論文のデータベースを提供していますが、これらの場合のコンテンツの推奨は「線形」に行われ、ユーザーはキーワード、雑誌、または特定の著者に基づいて新しい出版物の「アラーム」を設定します。
Google Scholarは、研究者の承認された論文と引用を入力として統計モデルを使用して論文を提案する「更新」ツールを提供しています。 [10]これらの推奨事項は非常に優れていると言われていますが、正確な推奨事項を作成するのに十分な研究が不足している可能性のあるキャリア初期の研究者にとっては問題があります。[10]
意思決定
ソーシャルメディアやその他のデジタルプラットフォームで採用されているエンゲージメントベースのランキングシステムとは対照的に、ブリッジングベースのランキングは、分極化するのではなく統合するコンテンツを最適化します。[129] [130]例としては、特定の政治問題に関する合意形成を支援するために世界中で使用されているPolisとRemeshがあります。 [130] Twitterもコミュニティノートの管理にこのアプローチを使用しており、[131] YouTubeは2024年に試験運用する予定です。[132] [133]アヴィヴ・オヴァディアはまた、プラットフォームのユーザーを代表する審議グループにアルゴリズムの設計と実装を管理する権限を与えることで、主要プラットフォームにブリッジングベースのアルゴリズムを実装することを主張しています。[134]
テレビ
コネクテッドテレビの環境が進化し続ける中、検索と推奨はコンテンツの発見においてさらに重要な役割を果たすと考えられています。[135]ブロードバンド接続デバイスにより、消費者はインターネットテレビだけでなく、リニア放送ソースからのコンテンツにもアクセスできるようになると予想されています。そのため、市場が断片化され、視聴者がさまざまな場所を訪れて、時間がかかり複雑な方法で見たいものを見つけなければならないというリスクがあります。検索および推奨エンジンを使用することで、視聴者には1か所で複数のソースからのコンテンツを見つけることができる中央の「ポータル」が提供されます。
参照
参考文献
- ^ abcd Ricci, Francesco; Rokach, Lior; Shapira, Bracha (2022). 「レコメンデーションシステム：テクニック、アプリケーション、課題」 Ricci, Francesco; Rokach, Lior; Shapira, Bracha (編) Recommender Systems Handbook (第3版) ニューヨーク: Springer. pp. 1– 35. doi :10.1007/978-1-0716-2197-4_1. ISBN 978-1-0716-2196-7。
- ^ Lev Grossman (2010年5月27日). 「How Computers Know What We Want — Before We Do」. TIME . 2010年5月30日時点のオリジナルよりアーカイブ。 2015年6月1日閲覧。
- ^ Roy, Deepjyoti; Dutta, Mala ( 2022). 「推奨システムに関する体系的なレビューと研究の視点」。Journal of Big Data。9 ( 59). doi : 10.1186/s40537-022-00592-5。
- ^ ab Resnick, Paul、Hal R. Varian。「レコメンダーシステム」Communications of the ACM 40、第3号（1997年）：56～58ページ。
- ^ Gupta, Pankaj; Goel, Ashish; Lin, Jimmy; Sharma, Aneesh; Wang, Dong; Zadeh, Reza (2013). 「WTF: Twitter のフォローすべきユーザーサービス」。第22 回国際ワールド ワイド ウェブ会議の議事録。Association for Computing Machinery。pp. 505– 514。doi : 10.1145 /2488388.2488433。ISBN 9781450320351。
- ^ Baran, Remigiusz; Dziech, Andrzej; Zeja, Andrzej (2018 年 6 月 1 日)。「ビジュアル コンテンツ分析とインテリジェントなデータ強化に基づく、優れたマルチメディア コンテンツ検出プラットフォーム」。 マルチメディアツールとアプリケーション。77 (11): 14077– 14091。doi : 10.1007 / s11042-017-5014-1。ISSN 1573-7721。S2CID 36511631 。
- ^ H. Chen、AG Ororbia II、CL Giles ExpertSeer: デジタルライブラリ向けのキーフレーズベースのエキスパートレコメンダー、arXiv プレプリント 2015
- ^ Chen, Hung-Hsuan; Gou, Liang; Zhang, Xiaolong; Giles, Clyde Lee (2011). 「CollabSeer: コラボレーション発見のための検索エンジン」( PDF)。第 11 回国際 ACM/IEEE デジタル ライブラリ合同会議議事録。Association for Computing Machinery。pp. 231– 240。doi :10.1145 / 1998076.1998121。ISBN 9781450307444。
- ^ Felfernig, Alexander; Isak, Klaus; Szabo, Kalman; Zachar, Peter (2007)。「VITA 金融サービス販売サポート環境」(PDF)。William Cheetham (編)。人工知能の革新的応用に関する第 19 回全国会議議事録、第 2 巻。1692 ～ 1699ページ 。ISBN 9781577353232. ACM コピー。
- ^ abcde jobs (2014年9月3日). 「文学の洪水を抑える方法：Nature News & Comment」. Nature . 513 (7516). Nature.com: 129– 130. doi : 10.1038/513129a . PMID 25186906. S2CID 4460749.
- ^ 分析 (2011年12月14日)。「NetflixがiPadアプリを刷新し、コンテンツの発見性を改善」WIRED 。2015年12月31日閲覧。
- ^ Melville, Prem ; Sindhwani, Vikas (2010). 「Recommender Systems」(PDF) . Claude Sammut、Geoffrey I. Webb (編) 著。機械学習百科事典。Springer。pp. 829– 838。doi :10.1007/978-0-387-30164-8_705。ISBN 978-0-387-30164-8。
- ^ RJ Mooney & L. Roy (1999)。テキスト分類の学習を使用したコンテンツベースの書籍推奨。ワークショップ「Recom. Sys.: Algo. and Evaluation」。
- ^ Haupt, Jon (2009年6月1日). 「Last.fm: 人々が運営するオンラインラジオ」. Music Reference Services Quarterly . 12 ( 1–2 ): 23–24 . doi :10.1080/10588160902816702. ISSN 1058-8167. S2CID 161141937.
- ^ ab Chen, Hung-Hsuan ; Chen, Pu (2019 年 1 月 9 日)。「正規化重みの差別化 - レコメンデーション システムでのコールド スタートを軽減するシンプルなメカニズム」。ACM Transactions on Knowledge Discovery from Data。13 : 1– 22。doi :10.1145/3285954。S2CID 59337456 。
- ^ ab Rubens, Neil; Elahi, Mehdi; Sugiyama, Masashi; Kaplan, Dain (2016). 「レコメンデーションシステムにおけるアクティブラーニング」 Ricci, Francesco; Rokach, Lior; Shapira, Bracha (編) Recommender Systems Handbook (第2版) Springer US. pp. 809– 846. doi :10.1007/978-1-4899-7637-6_24. ISBN 978-1-4899-7637-6。
- ^ Bobadilla, J.; Ortega, F.; Hernando, A.; Alcalá, J. (2011). 「遺伝的アルゴリズムを使用した協調フィルタリング推奨システムの結果とパフォーマンスの改善」.知識ベースシステム. 24 (8): 1310– 1316. doi :10.1016/j.knosys.2011.06.005.
- ^ ab Elahi, Mehdi; Ricci, Francesco; Rubens, Neil (2016). 「協調フィルタリング推奨システムにおけるアクティブラーニングの調査」.コンピュータサイエンスレビュー. 20 : 29–50 . doi :10.1016/j.cosrev.2016.05.002.
- ^ Andrew I. Schein、Alexandrin Popescul、Lyle H. Ungar、David M. Pennock (2002)。コールドスタート推奨のための方法と指標。情報検索の研究開発に関する第 25 回国際ACM SIGIR会議 (SIGIR 2002)の議事録。 : ACM。pp. 253–260。ISBN 1-58113-561-0. 2008年2月2日閲覧。
- ^ ab Bi, Xuan; Qu, Annie; Wang, Junhui; Shen, Xiaotong (2017). 「グループ固有の推奨システム」（PDF） . Journal of the American Statistical Association . 112 (519): 1344– 1353. doi :10.1080/01621459.2016.1219261. S2CID 125187672.
- ^ Stack, Charles. 「記録された購入履歴に基づいて商品やサービスの推奨を提供するシステムおよび方法」。米国特許 7,222,085、2007 年 5 月 22 日発行。
- ^ Herz, Frederick SM. 「カスタマイズされた電子新聞と広告」。米国特許 7,483,871、2009 年 1 月 27 日発行。
- ^ Herz, Frederick、Lyle Ungar、Jian Zhang、David Wachob。「顧客プロファイルを使用してデータへのアクセスを提供するシステムおよび方法」。米国特許 8,056,100、2011 年 11 月 8 日発行。
- ^ Harbick, Andrew V.、Ryan J. Snodgrass、Joel R. Spiegel。「プレイリストに基づく類似デジタル作品および作品作成者の検出。」米国特許 8,468,046、2013 年 6 月 18 日発行。
- ^ Linden, Gregory D.、Brent Russell Smith、Nida K. Zada。「閲覧可能なアイテム間の動作ベースの関係の自動検出および公開。」米国特許 9,070,156、2015 年 6 月 30 日発行。
- ^ 「レコメンデーションシステムソフトウェアライブラリとAPI – RS_c」。2024年11月18日閲覧。
- ^ Ekstrand, Michael (2018 年 8 月 21 日)。「レコメンデーション システム実験用の LKPY パッケージ」。コンピューター サイエンス学部の出版物とプレゼンテーション。ボイシ州立大学、ScholarWorks。doi : 10.18122/cs_facpubs/147/boisestate。
- ^ Vente, Tobias; Ekstrand, Michael; Beel, Joeran (2023 年 9 月 14 日)。「実験的な自動レコメンデーション システム (AutoRecSys) ツールキット、LensKit-Auto の紹介」。第17回 ACM レコメンデーション システム カンファレンスの議事録。ACM。pp. 1212– 1216。doi :10.1145/3604915.3610656。ISBN 979-8-4007-0241-9。
- ^ 趙、ウェイン・シン;ムー、シャンレイ。ホウ、ユペン。リン・ジハン。陳玉朔。パン・シンユー。リー・カイユアン。ルー、ユジエ。王、慧。ティアン、チャンシン。ミン・インチェン。馮志超。ファン、シンヤン。チェン、シュウ。王・鵬飛（2021年10月26日）。 「RecBole: レコメンデーション アルゴリズムのための統合された包括的かつ効率的なフレームワークに向けて」。情報と知識管理に関する第 30 回 ACM 国際会議の議事録。 ACM。pp . 4653–4664。arXiv : 2011.01731。土井：10.1145/3459637.3482016。ISBN 978-1-4503-8446-9。
- ^ 李嘉宇;李、羽生。彼、Zhiyu。マー・ウェイジ。サン、ペイジエ。張、敏；馬、少平（2024 年 10 月 8 日）。 「ReChorus2.0: モジュール式でタスクに柔軟なレコメンデーション ライブラリ」。レコメンダー システムに関する第 18 回 ACM カンファレンス。 ACM。 pp. 454–464。土井：10.1145/3640457.3688076。ISBN 979-8-4007-0505-2。
- ^ Michiels, Lien; Verachtert, Robin; Goethals, Bart (2022 年 9 月 18 日)。「RecPack: 暗黙的なフィードバック データを使用したトップ N 推奨のための (その他の) 実験ツールキット」。第16 回 ACM 推奨システム会議の議事録。ACM。pp. 648– 651。doi : 10.1145 /3523227.3551472。ISBN 978-1-4503-9278-5。
- ^ BEEL, Joeran、et al. 論文推薦システム：文献調査。International Journal on Digital Libraries、2016年、17。Jg.、Nr. 4、S. 305–338。
- ^ RICH, Elaine. ステレオタイプによるユーザーモデリング. 認知科学, 1979, 3. Jg., Nr. 4, S. 329–354.
- ^ Karlgren, Jussi。「推奨事項のための代数。Wayback Machineに 2024-05-25 にアーカイブ。Syslab Working Paper 179 (1990)。」
- ^ Karlgren, Jussi。「ユーザー行動に基づくニュースグループのクラスタリング - 推奨代数」2021年2月27日アーカイブ、Wayback Machineで公開。SICS調査レポート（1994年）。
- ^ Karlgren, Jussi (2017年10月). 「デジタル本棚: レコメンデーションシステムに関するオリジナル作品」. 2017年10月27日閲覧。
- ^ Shardanand、Upendra、Pattie Maes。「ソーシャル情報フィルタリング: 「口コミ」を自動化するアルゴリズム」。コンピューティング システムにおける人間工学に関する SIGCHI カンファレンスの議事録、210 ～ 217 ページ。ACM Press/Addison-Wesley Publishing Co.、1995 年。
- ^ Hill, Will, Larry Stead, Mark Rosenstein、George Furnas。「仮想コミュニティにおける選択肢の推奨と評価」Wayback Machineに 2018-12-21 にアーカイブ。コンピューティング システムにおける人間工学に関する SIGCHI カンファレンスの議事録、pp. 194–201。ACM Press/Addison-Wesley Publishing Co.、1995 年。
- ^ Resnick, Paul、Neophytos Iacovou、Mitesh Suchak、Peter Bergström、John Riedl。「GroupLens: ネットニュースの協調フィルタリングのためのオープン アーキテクチャ」。1994 ACM コンピュータ支援協調作業会議の議事録、pp. 175–186。ACM、1994 年。
- ^ Montaner, M.; Lopez, B.; de la Rosa, JL (2003 年 6 月)。「インターネット上のレコメンデーションエージェントの分類」。人工知能レビュー。19 (4): 285– 330。doi : 10.1023 /A : 1022850703159。S2CID 16544257。。
- ^ ab Adomavicius, G.; Tuzhilin, A. (2005 年 6 月). 「次世代のレコメンデーション システムに向けて: 最新技術と可能な拡張の調査」. IEEE Transactions on Knowledge and Data Engineering . 17 (6): 734– 749. CiteSeerX 10.1.1.107.2790 . doi :10.1109/TKDE.2005.99. S2CID 206742345. 。
- ^ Herlocker, JL; Konstan, JA; Terveen, LG; Riedl, JT (2004 年 1 月). 「協調フィルタリング推奨システムの評価」. ACM Trans. Inf. Syst . 22 (1): 5– 53. CiteSeerX 10.1.1.78.8384 . doi :10.1145/963770.963772. S2CID 207731647. 。
- ^ abc Beel, J.; Genzmehr, M.; Gipp, B. (2013 年 10 月)。「オフラインとオンラインの評価の比較分析と研究論文推薦システム評価の議論」(PDF)。推薦システム評価の再現性と複製に関する国際ワークショップの議事録。pp. 7– 14。doi : 10.1145 / 2532508.2532511。ISBN 978-1-4503-2465-6. S2CID 8202591. 2016年4月17日時点の オリジナル（PDF）からアーカイブ。2013年10月22日閲覧。
- ^ Beel, J.; Langer, S.; Genzmehr, M.; Gipp, B.; Breitinger, C. (2013 年 10 月)。「研究論文レコメンデーション システムの評価: 定量的文献調査」( PDF) 。レコメンデーション システム評価における再現性と複製に関する国際ワークショップの議事録。pp. 15– 22。doi :10.1145/2532508.2532512。ISBN 978-1-4503-2465-6. S2CID 4411601。
- ^ Beel, J.; Gipp, B.; Langer, S.; Breitinger, C. (2015 年 7 月 26 日). 「研究論文推薦システム: 文献調査」. International Journal on Digital Libraries . 17 (4): 305– 338. doi :10.1007/s00799-015-0156-0. S2CID 207035184.
- ^ John S. Breese、David Heckerman、Carl Kadie (1998)。協調フィルタリングのための予測アルゴリズムの実証分析。人工知能における不確実性に関する第14回会議(UAI'98)の議事録。arXiv : 1301.7363。
- ^ Breese, John S.; Heckerman, David; Kadie, Carl (1998). 協調フィルタリングの予測アルゴリズムの実証分析(PDF) (レポート). Microsoft Research.
- ^ Koren, Yehuda; Volinsky, Chris (2009 年 8 月 1 日)。「レコメンデーション システムのための行列 分解テクニック」。Computer . 42 (8): 30– 37. CiteSeerX 10.1.1.147.8295 . doi :10.1109/MC.2009.263. S2CID 58370896.
- ^ Sarwar, B.; Karypis, G.; Konstan, J.; Riedl, J. (2000). 「レコメンデーション システムにおける次元削減の適用 ケース スタディ」、
- ^ Allen, RB (1990).ユーザーモデル: 理論、方法、実践。International J. Man-Machine Studies。
- ^ Parsons, J.; Ralph, P.; Gallagher, K. (2004 年 7 月)。「視聴時間を使用して推奨システムでユーザーの好みを推測する」。AAAI ワークショップ、セマンティック ウェブ パーソナライゼーション、カリフォルニア州サンノゼ。。
- ^ Sanghack Lee、Jihoon Yang、Sung-Yong Park、「スパース性問題を克服するための協調フィルタリングにおける隠れた類似性の発見」、Discovery Science、2007 年。
- ^ Felício, Crícia Z.; Paixão, Klérisson VR; Barcelos, Celia AZ; Preux, Philippe (2017 年 7 月 9 日)。「コールドスタート ユーザー推奨のためのマルチアーム バンディット モデル選択」。第 25 回ユーザー モデリング、適応、パーソナライゼーション カンファレンスの議事録( PDF)。UMAP '17。ブラティスラバ、スロバキア: Association for Computing Machinery。pp. 32– 40。doi :10.1145/ 3079628.3079681。ISBN 978-1-4503-4635-1.S2CID 653908 。
- ^ アイテム間の類似性マッピングを使用した共同レコメンデーション Archived 2015-03-16 at the Wayback Machine
- ^ Aggarwal, Charu C. (2016).推薦システム: 教科書. Springer. ISBN 978-3-319-29657-9。
- ^ Peter Brusilovsky (2007).アダプティブウェブ. Springer. p. 325. ISBN 978-3-540-72078-2。
- ^ 王東輝;梁、塩春。徐、東。フォン、シャオユエ。関、練中（2018）。 「コンピューター サイエンス出版物向けのコンテンツ ベースの推奨システム」。知識ベースのシステム。157 : 1–9 .土井: 10.1016/j.knosys.2018.05.001。
- ^ Blanda, Stephanie (2015 年 5 月 25 日)。「オンライン レコメンデーション システム – ウェブサイトはどのようにして私の欲しいものを知るのか?」アメリカ数学会。2016年10 月 31 日閲覧。
- ^ XY Feng、H. Zhang、YJ Ren、PH Shang、Y. Zhu、YC Liang、RC Guan、D. Xu、(2019)、「バイオメディカル出版場所を選択するためのディープラーニングベースのレコメンダーシステム「Pubmender」：開発と検証研究」、Journal of Medical Internet Research、21 (5): e12957
- ^ リンケ・フークストラ、「知識再エンジニアリングのボトルネック」、セマンティックウェブ - 相互運用性、ユーザビリティ、適用性 1 (2010) 1、IOS プレス
- ^ Gomez-Uribe, Carlos A.; Hunt, Neil (2015年12月28日). 「Netflix 推薦システム」. ACM Transactions on Management Information Systems . 6 (4): 1– 19. doi : 10.1145/2843948 .
- ^ Robin Burke、「ハイブリッド Web レコメンデーション システム」 Wayback Machineに 2014-09-12 にアーカイブ、pp. 377-408、「アダプティブ Web」、Peter Brusilovsky、Alfred Kobsa、Wolfgang Nejdl (編)、「Lecture Notes in Computer Science」、Springer-Verlag、ベルリン、ドイツ、「Lecture Notes in Computer Science」、Vol. 4321、2007 年 5 月、978-3-540-72078-2。
- ^ ab Hidasi, Balázs; Karatzoglou, Alexandros; Baltrunas, Linas; Tikk, Domonkos (2016 年 3 月 29 日)。「リカレント ニューラル ネットワークによるセッション ベースの推奨」。arXiv : 1511.06939 [cs.LG]。
- ^ abc Chen, Minmin; Beutel, Alex; Covington, Paul; Jain, Sagar; Belletti, Francois; Chi, Ed (2018). 「REINFORCE 推薦システムのための Top-K オフポリシー修正」. arXiv : 1812.02353 [cs.LG].
- ^ ab Yifei, Ma; Narayanaswamy, Balakrishnan; Haibin, Lin; Hao, Ding (2020). 「リアルタイムでの時系列コンテキスト推奨」。知識発見とデータマイニングに関する第26回ACM SIGKDD国際会議の議事録。計算機協会。pp. 2291– 2299。doi : 10.1145 / 3394486.3403278。ISBN 978-1-4503-7998-4. S2CID 221191348。
- ^ Hidasi, Balázs; Karatzoglou, Alexandros (2018 年 10 月 17 日)。「セッションベースの推奨のためのトップ k ゲインを備えたリカレント ニューラル ネットワーク」。第27回ACM 国際情報および知識管理会議の議事録。CIKM '18 。イタリア、トリノ: 計算機協会。pp. 843– 852。arXiv : 1706.03847。doi :10.1145/3269206.3271761。ISBN 978-1-4503-6014-2. S2CID 1159769。
- ^ Kang, Wang-Cheng; McAuley, Julian (2018). 「Self-Attentive Sequential Recommendation」. arXiv : 1808.09781 [cs.IR].
- ^ Li, Jing; Ren, Pengjie; Chen, Zhumin; Ren, Zhaochun; Lian, Tao; Ma, Jun (2017 年 11 月 6 日)。「Neural Attentive Session-based Recommendation」。2017 ACM on Conference on Information and Knowledge Management の議事録。CIKM '17。シンガポール、シンガポール: Association for Computing Machinery。pp. 1419– 1428。arXiv : 1711.04725。doi : 10.1145 / 3132847.3132926。ISBN 978-1-4503-4918-5. S2CID 21066930。
- ^ Liu, Qiao; Zeng, Yifu; Mokhosi, Refuoe; Zhang, Haibin (2018 年 7 月 19 日)。「STAMP」。知識発見とデータマイニングに関する第 24 回 ACM SIGKDD 国際会議の議事録。KDD '18。ロンドン、イギリス: Association for Computing Machinery。pp. 1831– 1839。doi : 10.1145 /3219819.3219950。ISBN 978-1-4503-5552-0. S2CID 50775765。
- ^ シン、シン;カラッツォグロウ、アレクサンドロス。アラパキス、イオアニス。ホセ、ジョーエモン（2020）。 「レコメンダーシステムのための自己教師あり強化学習」。arXiv : 2006.05779 [cs.LG]。
- ^ Ie, Eugene; Jain, Vihan; Narvekar, Sanmit; Agarwal, Ritesh; Wu, Rui; Cheng, Heng-Tze; Chandra, Tushar; Boutilier, Craig (2019). 「SlateQ: 推奨セットによる強化学習のための扱いやすい分解」。第28回人工知能国際合同会議 (IJCAI-19) の議事録: 2592– 2599。
- ^ Zou, Lixin; Xia, Long; Ding, Zhuoye; Song, Jiaxing; Liu, Weidong; Yin, Dawei (2019). 「強化学習によるレコメンデーションシステムにおける長期的なユーザーエンゲージメントの最適化」。第25回ACM SIGKDD国際知識発見・データマイニング会議の議事録。KDD '19。pp. 2810– 2818。arXiv : 1902.05570。doi : 10.1145 / 3292500.3330668。ISBN 978-1-4503-6201-6. S2CID 62903207。
- ^ Lakiotaki, K.; Matsatsinis; Tsoukias, A (2011 年 3 月). 「レコメンデーション システムにおけるマルチ基準ユーザー モデリング」. IEEE Intelligent Systems . 26 (2): 64– 76. CiteSeerX 10.1.1.476.6726 . doi :10.1109/mis.2011.33. S2CID 16752808.
- ^ Gediminas Adomavicius、Nikos Manouselis、YoungOk Kwon。「Multi-Criteria Recommender Systems」（PDF） 。 2014年6月30日時点のオリジナル（PDF）からアーカイブ。
- ^ Bouneffouf、Djallel (2013)、DRARS、A Dynamic Risk-Aware Recommender System (Ph.D.)、国立テレビ通信研究所
- ^ ab Yong Ge、Hui Xiong、Alexander Tuzhilin、Keli Xiao、Marco Gruteser、Michael J. Pazzani (2010)。エネルギー効率の高いモバイル レコメンデーション システム(PDF)。知識発見とデータ マイニングに関する第 16 回 ACM SIGKDD 国際会議の議事録。ニューヨーク市、ニューヨーク: ACM。pp. 899– 908。2011年11 月 17日 閲覧。
- ^ Pimenidis, Elias; Polatidis, Nikolaos; Mouratidis, Haralambos (2018 年 8 月 3 日). 「モバイル レコメンデーション システム: 主要概念の特定」. Journal of Information Science . 45 (3): 387– 397. arXiv : 1805.02276 . doi :10.1177/0165551518792213. S2CID 19209845.
- ^ Zhai, Jiaqi; Liao, Lucy; Liu, Xing; Wang, Yueming; Li, Rui; Cao, Xuan; Gao, Leon; Gong, Zhaojie; Gu, Fangda (2024 年 5 月 6 日)、「Actions Speak Louder than Words: Trillion-Parameter Sequential Transducers for Generative Recommendations」、doi :10.48550/arXiv.2402.17152、2024年12 月 20 日取得
- ^ ab ローア、スティーブ（2009年9月22日）。「Netflixにとって100万ドルの研究契約、そしておそらく他の企業にとってのモデル」ニューヨークタイムズ。
- ^ R. Bell、Y. Koren、C. Volinsky (2007)。「Netflix Prize に対する BellKor のソリューション」(PDF)。2012 年 3 月 4 日時点のオリジナル(PDF)からアーカイブ。2009 年4 月 30 日閲覧。
- ^ トーマス・ボドキー (2009 年 8 月 6 日)。 「Mátrixfaktorizáció 100万ドル」。索引。
- ^ Netflix ハッカーの台頭 2012 年 1 月 24 日アーカイブ、Wayback Machineより
- ^ 「Netflixが『ブロークバック・マウンテン』の秘密を漏らしたと訴訟で主張」WIRED 2009年12月17日。 2015年6月1日閲覧。
- ^ 「Netflix Prize Update」。Netflix Prize Forum。2010年3月12日。2011年11月27日時点のオリジナルよりアーカイブ。 2011年12月14日閲覧。
- ^ Lathia, N., Hailes, S., Capra, L., Amatriain, X.: 推薦システムにおける時間的多様性[リンク切れ ]。第 33 回国際 ACMSIGIR 情報検索研究開発会議の議事録、SIGIR 2010、pp. 210–217。ACM、ニューヨーク
- ^ Turpin, Andrew H; Hersh, William (2001)。「バッチ評価とユーザー評価で同じ結果が得られない理由」。情報検索の研究開発に関する第 24 回国際 ACM SIGIR 会議の議事録。pp . 225– 231。
- ^ "MovieLens データセット". 2013 年 9 月 6 日。
- ^ ab Chen, Hung-Hsuan; Chung, Chu-An; Huang, Hsin-Chien; Tsui, Wen (2017 年 9 月 1 日)。「推奨システムのトレーニングと評価における一般的な落とし穴」。ACM SIGKDD Explorations Newsletter。19 : 37– 45。doi : 10.1145/3137597.3137601。S2CID 10651930 。
- ^ Jannach, Dietmar; Lerche, Lukas; Gedikli, Fatih; Bonnin, Geoffray (2013 年 6 月 10 日)。「レコメンダーが推奨するもの - 精度、人気、および販売の多様性の影響の分析」。Carberry, Sandra、Weibelzahl, Stephan、Micarelli, Alessandro、Semeraro, Giovanni (編)。ユーザーモデリング、適応、およびパーソナライゼーション。Lecture Notes in Computer Science。Vol. 7899。Springer Berlin Heidelberg。pp. 25–37。CiteSeerX 10.1.1.465.96。doi : 10.1007 /978-3-642-38844-6_3。ISBN 978-3-642-38843-9。
- ^ ab Turpin, Andrew H.; Hersh, William (2001 年 1 月 1 日)。「バッチ評価とユーザー評価で同じ結果が得られない理由」。情報検索の研究開発に関する第 24 回国際 ACM SIGIR 会議の議事録。SIGIR '01。ニューヨーク、ニューヨーク、米国: ACM。pp. 225–231。CiteSeerX 10.1.1.165.5800。doi : 10.1145 / 383952.383992。ISBN 978-1-58113-331-8. S2CID 18903114。
- ^ Langer, Stefan (2015 年 9 月 14 日)。「研究論文推薦システムの文脈におけるオフライン評価、オンライン評価、およびユーザー スタディの比較」。Kapidakis, Sarantos、Mazurek, Cezary、Werla, Marcin (編)。デジタルライブラリの研究と高度なテクノロジ。コンピュータ サイエンスの講義ノート。第 9316 巻。Springer International Publishing。pp. 153– 168。doi : 10.1007 /978-3-319-24592-8_12。ISBN 978-3-319-24591-1。
- ^ バサラン、ダニエル; ントゥシ、エイリニ; ジメック、アーサー (2017)。2017 SIAM国際データマイニング会議議事録。pp. 390– 398。doi : 10.1137 /1.9781611974973.44。ISBN 978-1-61197-497-3。
- ^ Beel, Joeran; Genzmehr, Marcel; Langer, Stefan; Nürnberger, Andreas; Gipp, Bela (2013 年 1 月 1 日)。「オフラインとオンラインの評価の比較分析と研究論文推薦システム評価の議論」推薦システム評価における再現性と複製に関する国際ワークショップの議事録。RepSys '13。ニューヨーク、ニューヨーク、米国: ACM。pp. 7– 14。CiteSeerX 10.1.1.1031.973。doi : 10.1145 / 2532508.2532511。ISBN 978-1-4503-2465-6. S2CID 8202591。
- ^ Cañamares, Rocío; Castells, Pablo (2018年7月). Should I Follow the Crowd? A Probabilistic Analysis of the Effectiveness of Popularity in Recommender Systems (PDF) . 41st Annual International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR 2018). Ann Arbor, Michigan, USA: ACM. pp. 415– 424. doi :10.1145/3209978.3210014. 2021年4月14日時点のオリジナル(PDF)からアーカイブ。 2021年3月5日閲覧。
- ^ Cañamares, Rocío; Castells, Pablo; Moffat, Alistair (2020年3月). 「レコメンデーションシステムのオフライン評価オプション」(PDF) .情報検索. 23 (4). Springer: 387– 410. doi :10.1007/s10791-020-09371-3. S2CID 213169978.
- ^ Ziegler CN、McNee SM、Konstan JA、Lausen G (2005)。「トピックの多様化による推奨リストの改善」。第 14 回 World Wide Web 国際会議の議事録。pp. 22– 32。
- ^ ab Castells, Pablo; Hurley, Neil J.; Vargas, Saúl (2015). 「推薦システムの新規性と多様性」 Ricci, Francesco; Rokach, Lior; Shapira, Bracha (編)推薦システムハンドブック(第 2 版) Springer US. pp. 881– 918. doi :10.1007/978-1-4899-7637-6_26. ISBN 978-1-4899-7637-6。
- ^ Joeran Beel、Stefan Langer、Marcel Genzmehr、Andreas Nürnberger (2013 年 9 月)。「推薦システムにおける永続性: 同じユーザーに同じ推薦を複数回行う」(PDF)。Trond Aalberg、Milena Dobreva、Christos Papatheodorou、Giannis Tsakonas、Charles Farrugia (編)。Proceedings of the 17th International Conference on Theory and Practice of Digital Libraries (TPDL 2013)。Lecture Notes of Computer Science (LNCS)。Vol. 8092。Springer。pp. 390– 394。2013年11 月 1 日閲覧。
- ^ Cosley, D.; Lam, SK; Albert, I.; Konstan, JA; Riedl, J (2003). 「百聞は一見に如かず: 推薦システムインターフェースがユーザーの意見に与える影響」(PDF)。コンピューティングシステムにおける人間工学に関する SIGCHI 会議の議事録。 pp. 585– 592。S2CID 8307833。
- ^ Pu, P.; Chen, L.; Hu, R. (2012). 「ユーザーの視点からの推奨システムの評価: 最新技術の調査」(PDF)。ユーザーモデリングとユーザー適応型インタラクション: 1– 39。
- ^ Naren Ramakrishnan、Benjamin J. Keller、Batul J. Mirza、Ananth Y. Grama、George Karypis (2001)。「推奨システムにおけるプライバシーリスク」IEEEインターネットコンピューティング。5 ( 6)。ピスカタウェイ、ニュージャージー：IEEE教育活動部門：54–62。CiteSeerX 10.1.1.2.2932。doi ： 10.1109 / 4236.968832。ISBN 978-1-58113-561-9.S2CID 1977107 。
- ^ Joeran Beel、Stefan Langer、Andreas Nürnberger、Marcel Genzmehr (2013 年 9 月)。「人口統計 (年齢と性別) とその他のユーザー特性がレコメンデーション システムの評価に与える影響」(PDF)。Trond Aalberg、Milena Dobreva、Christos Papatheodorou、Giannis Tsakonas、Charles Farrugia (編)。Proceedings of the 17th International Conference on Theory and Practice of Digital Libraries (TPDL 2013)。Springer。pp. 400– 404。2013年11 月 1 日閲覧。
- ^ Konstan JA、Riedl J (2012)。「レコメンデーションシステム：アルゴリズムからユーザーエクスペリエンスまで」（PDF）。ユーザーモデリングとユーザー適応型インタラクション。22 （1–2）：1–23。doi：10.1007 /s11257-011-9112- x。S2CID 8996665 。
- ^ Ricci F, Rokach L, Shapira B, Kantor BP (2011).レコメンデーションシステムハンドブック. pp. 1– 35. Bibcode :2011rsh..book.....R.
- ^ Möller, Judith; Trilling, Damian; Helberger, Natali; van Es, Bram (2018年7月3日). 「アルゴリズムのせいにしないで: 複数のレコメンデーションシステムとコンテンツの多様性への影響に関する実証的評価」.情報、コミュニケーション、社会. 21 (7): 959– 977. doi :10.1080/1369118X.2018.1444076. hdl : 11245.1/4242e2e0-3beb-40a0-a6cb-d8947a13efb4 . ISSN 1369-118X. S2CID 149344712.
- ^ モンタネール、ミケル;ロペス、ベアトリス。デ・ラ・ロサ、ジョセップ・ルイス (2002)。 「推薦エージェントに対する信頼を築く」。自律エージェントおよびマルチエージェント システムに関する第 1 回国際共同会議の議事録: パート 1。304～ 305ページ 。
- ^ Beel, Joeran, Langer, Stefan, Genzmehr, Marcel (2013 年 9 月)。「スポンサー付き vs. オーガニック (研究論文) の推奨事項とラベル付けの影響」(PDF)。Trond Aalberg、Milena Dobreva、Christos Papatheodorou、Giannis Tsakonas、Charles Farrugia (編)。デジタル図書館の理論と実践に関する第 17 回国際会議 (TPDL 2013) の議事録。395 ～ 399ページ 。2013年12 月 2 日閲覧。
- ^ Ferrari Dacrema, Maurizio; Boglio, Simone; Cremonesi, Paolo; Jannach, Dietmar (2021年1月8日). 「レコメンデーションシステム研究における再現性と進歩に関する厄介な分析」. ACM Transactions on Information Systems . 39 (2): 1– 49. arXiv : 1911.07698 . doi :10.1145/3434185. hdl :11311/1164333. S2CID 208138060.
- ^ Ferrari Dacrema, Maurizio; Cremonesi, Paolo; Jannach, Dietmar (2019). 「本当に進歩しているのか？最近のニューラル推奨アプローチの憂慮すべき分析」第13回ACMレコメンデーションシステム会議の議事録。RecSys '19。ACM。pp. 101– 109。arXiv ：1907.06902。doi ： 10.1145 /3298689.3347058。hdl ：11311 / 1108996。ISBN 978-1-4503-6243-6. S2CID 196831663 . 2019年10月16日閲覧。
- ^ Rendle, Steffen; Krichene, Walid ; Zhang, Li; Anderson, John (2020 年 9 月 22 日) 。「Neural Collaborative Filtering vs. Matrix Factorization Revisited」第 14 回 ACM 推奨システム会議。pp . 240– 248。arXiv : 2005.09683。doi : 10.1145 / 3383313.3412488。ISBN 978-1-4503-7583-2。
- ^ 孫、朱;ユウ、ディ。ファン、ホイ。ヤン、ジエ。 Qu、Xinghua;張潔。ゲン、コン (2020)。 「厳密に評価していますか？再現可能な評価と公正な比較のためのベンチマークの推奨事項」。レコメンダー システムに関する第 14 回 ACM カンファレンス。 ACM。ページ 23–32。土井:10.1145/3383313.3412489。ISBN 978-1-4503-7583-2. S2CID 221785064。
- ^ Schifferer, Benedikt; Deotte, Chris; Puget, Jean-François; de Souza Pereira, Gabriel; Titericz, Gilberto; Liu, Jiwei; Ak, Ronay。「ディープラーニングを使用してBooking.com WSDM WebTour21のシーケンシャルレコメンデーションチャレンジで優勝する」（PDF）。WSDM '21: ACM Conference on Web Search and Data Mining。ACM 。 2021年3月25日時点のオリジナル（PDF）からアーカイブ。2021年4月3日閲覧。
- ^ Volkovs, Maksims; Rai, Himanshu; Cheng, Zhaoyue; Wu, Ga; Lu, Yichao; Sanner, Scott (2018). 「大規模な自動プレイリスト継続のための 2 段階モデル」。ACM Recommender Systems Challenge 2018 の議事録。ACM。pp. 1– 6。doi : 10.1145 / 3267471.3267480。ISBN 978-1-4503-6586-4. S2CID 52942462。
- ^ Yves Raimond、Justin Basilico レコメンデーションシステムのためのディープラーニング、Deep Learning Re-Work SF Summit 2018
- ^ Ekstrand, Michael D.; Ludwig, Michael; Konstan, Joseph A.; Riedl, John T. (2011 年 1 月 1 日)。「レコメンデーション研究エコシステムを再考する」。第5 回 ACM レコメンデーション システム カンファレンスの議事録。RecSys '11。ニューヨーク、ニューヨーク、米国: ACM。pp. 133– 140。doi : 10.1145 /2043932.2043958。ISBN 978-1-4503-0683-6. S2CID 2215419。
- ^ Konstan, Joseph A.; Adomavicius, Gediminas (2013 年 1 月 1 日)。「アルゴリズムによる推奨システム研究におけるベスト プラクティスの特定と採用に向けて」。推奨システム評価における再現性とレプリケーションに関する国際ワークショップの議事録。RepSys '13。ニューヨーク、ニューヨーク、米国: ACM。pp. 23– 28。doi : 10.1145 /2532508.2532513。ISBN 978-1-4503-2465-6. S2CID 333956。
- ^ ab Breitinger, Corinna; Langer, Stefan; Lommatzsch , Andreas; Gipp, Bela (2016 年 3 月 12 日)。「レコメンデーション システム研究における再現性に向けて」。ユーザー モデリングとユーザー適応型インタラクション。26 (1): 69– 101。doi : 10.1007/s11257-016-9174-x。ISSN 0924-1868。S2CID 388764 。
- ^ Said, Alan; Bellogín, Alejandro (2014 年 10 月 1 日)。「比較レコメンデーション システム評価」。第8 回 ACM レコメンデーション システム カンファレンスの議事録。RecSys '14。ニューヨーク、ニューヨーク、米国: ACM。pp. 129– 136。doi : 10.1145 /2645710.2645746。hdl :10486/ 665450。ISBN 978-1-4503-2668-1. S2CID 15665277。
- ^ Verma, P.; Sharma, S. (2020). 「人工知能ベースの推奨システム」。2020年第2回コンピューティング、通信制御、ネットワークの進歩に関する国際会議 (ICACCCN)。pp. 669– 673。doi :10.1109/ ICACCCN51052.2020.9362962。ISBN 978-1-7281-8337-4. S2CID 232150789。
- ^ Khanal, SS (2020年7月). 「体系的レビュー：eラーニングのための機械学習ベースの推奨システム」. Educ Inf Technol . 25 (4): 2635– 2664. doi :10.1007/s10639-019-10063-9. S2CID 254475908.
- ^ ab Zhang, Q. (2021年2月). 「レコメンデーションシステムにおける人工知能」.複雑系およびインテリジェントシステム. 7 : 439–457 . doi : 10.1007/s40747-020-00212-w .
- ^ Wu, L. (2023年5月). 「精度重視のニューラルレコメンデーションに関する調査：協調フィルタリングから情報豊富なレコメンデーションまで」. IEEE Transactions on Knowledge and Data Engineering . 35 (5): 4425– 4445. arXiv : 2104.13030 . doi :10.1109/TKDE.2022.3145690.
- ^ Samek, W. (2021年3月). 「ディープニューラルネットワークとその先の説明：方法とアプリケーションのレビュー」. Proceedings of the IEEE . 109 (3): 247– 278. arXiv : 2003.07631 . doi : 10.1109/JPROC.2021.3060483 .
- ^ Yi, X., Hong, L., Zhong, E., Tewari, A., & Dhillon, IS (2019). 「推薦に対するユーザーの関心を推定するスケーラブルな 2 タワー モデル」第 13 回 ACM 推薦システム会議の議事録。
- ^ Google Cloud ブログ。\"2 タワー モデルによるディープ リトリーバルのスケーリング。" 2022 年 11 月 30 日公開。2024 年 12 月にアクセス。
- ^ アイゼンシュタイン、J. (2019 年 10 月)。自然言語処理の概要。 MITプレス。ISBN 9780262042840。
- ^ Mirkin, Sima (2014 年 6 月 4 日)。「Sima Mirkin 著「法律学術コミュニティ向けのコンテンツ検索の拡張とカスタマイズ」」。法律評論およびその他の学術雑誌の記事。Digital Commons @ American University Washington College of Law。2015年12 月 31 日閲覧。
- ^ 「Mendeley、Elsevier、そして学術出版社にとってのコンテンツ発見の重要性」。2014年11月17日時点のオリジナルよりアーカイブ。2014年12月8日閲覧。
- ^ Thorburn, Luke; Ovadya, Aviv (2023年10月31日). 「ソーシャルメディアのアルゴリズムは、格差を埋めるために再設計できる — その方法とは」. Nieman Lab . 2024年7月17日閲覧。
- ^ ab Ovadya, Aviv (2022年5月17日). 「ブリッジングベースのランキング」.ハーバード大学ベルファーセンター. pp. 1, 14– 28. 2024年7月17日閲覧。
- ^ Smalley、Alex Mahadevan、Seth（2022年11月8日）。「イーロン・マスクがバードウォッチを存続させる — 新しい名前で」。ポインター。 2024年7月17日閲覧。
{{cite web}}: CS1 maint: multiple names: authors list (link) - ^ Shanklin, Will (2024年6月17日). 「YouTubeのコミュニティノート機能はXのプレイブックからページをリッピング」. Engadget . 2024年7月17日閲覧。
- ^ Novak, Matt (2024年6月17日). 「YouTube、誤情報対策として実験的なコミュニティノート機能を追加」Gizmodo . 2024年7月17日閲覧。
- ^ Ovadya, Aviv (2022年5月17日). 「ブリッジングベースのランキング」.ハーバード大学ベルファー科学国際問題センター. pp. 21– 23. 2024年7月17日閲覧。
- ^ テレビの新たな顔
さらに読む
- 書籍
- キム・フォーク（2019年没）『実践的レコメンデーションシステム』、マニング出版、ISBN 9781617292705
- バーラト・バスカー。 K. スリクマール (2010)。電子商取引におけるレコメンダー システム。カップ。ISBN 978-0-07-068067-82010年9月1日時点のオリジナルよりアーカイブ。
- ヤナッハ、ディートマール。マルクス・ザンカー。アレクサンダー・フェルファーニグ;ゲルハルト・フリードリヒ (2010)。レコメンダー システム: 概要。カップ。ISBN 978-0-521-49336-92015年8月31日時点のオリジナルよりアーカイブ。
- シーバー、ニック（2022）。『コンピューティングの嗜好：アルゴリズムと音楽推薦の作成者』シカゴ大学出版局。
- 科学論文
- Robert M. Bell、Jim Bennett、Yehuda Koren、Chris Volinsky (2009 年 5 月)。「The Million Dollar Programming Prize」。IEEE Spectrum。2009年 5 月 11 日時点のオリジナルよりアーカイブ。2018 年12 月 10 日閲覧。
- Prem Melville、Raymond J. Mooney、Ramadass Nagarajan (2002)「コンテンツブースト協調フィルタリングによる推奨の改善」 第 18 回全国人工知能会議 (AAAI-2002) の議事録、pp. 187–192、エドモントン、カナダ、2002 年 7 月。