文献

J-GLOBAL ID：201702262835123006   整理番号：17A0450054

陰的フィードバックを用いたレコメンデーションのための混合類似性学習【Powered by NICT】

Mixed similarity learning for recommendation with implicit feedback

著者 (6件)： Liu Mengsi (College of Computer Science and Software Engineering, Shenzhen University, China) ,  Pan Weike (College of Computer Science and Software Engineering, Shenzhen University, China) ,  Liu Miao (College of Computer Science and Software Engineering, Shenzhen University, China) ,  Chen Yaofeng (College of Computer Science and Software Engineering, Shenzhen University, China) ,  Peng Xiaogang (College of Computer Science and Software Engineering, Shenzhen University, China) ,  Ming Zhong (College of Computer Science and Software Engineering, Shenzhen University, China)
資料名： Knowledge-Based Systems  (Knowledge-Based Systems)
巻： 119  ページ： 178-185  発行年： 2017年 
JST資料番号： T0426A  ISSN： 0950-7051  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： ユーザ検討挙動のような陰的フィードバックが最も推奨シナリオにおける情報の非常に重要な源として認識されている。陰的フィードバックを用いた推薦のために,良好な類似性測定と適切な優先仮定した個人化サービスの品質にとって重要である。今までのところ,最新の推奨法で用いられる類似性は,予め定義された類似性と学習済み類似度を含んでいる;と選好仮定は良く知られた対仮定を含んでいる。本論文では,事前に定義された類似性の相補性と新しい混合類似性モデルによる学習済み類似度を利用した。さらに,新しい勧告アルゴリズム,すなわち,ペアワイズ因数分解混合類似性モデル(P FMSM),混合類似性と対ごと選好仮定に基づいて開発した。P FMSMは(i)対称事前に定義された類似性を介して利用者-項目相互作用の局所性を捕捉し,(ii)非対称学習済み類似度による項目間のグローバルな相関をモデル化し,(iii)対ごと選好仮定による不確かな陰的フィードバックを消化することができた。四の公共データ集合での実験により,このP FMSMはいくつかの最先端の方法よりもより正確な有意に推奨できることを示した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： アルゴリズム ,  *類似性 ,  局所性 ,  品質 ,  因数分解 ,  *学習 ,  非対称性 ,  対称性 ,  モデリング ,  相補性 ,  *フィードバック ,  相互作用
準シソーラス用語： 推奨システム ,  類似度 ,  類似性測定 , 【Automatic Indexing@JST】

著者キーワード (3件)： 混合類似性 ,  陰的フィードバック ,  推薦システム

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： フィードバック ,  レコメンデーション ,  類似性 ,  学習