文献

J-GLOBAL ID：202002255973811914   整理番号：20A1867898

短期満足と長期カバレッジ理解 ユーザがアルゴリズム的探索をどのように行うか【JST・京大機械翻訳】

Short-Term Satisfaction and Long-Term Coverage Understanding How Users Tolerate Algorithmic Exploration

著者 (4件)： Schnabel Tobias (Cornell University, Ithaca, NY, USA) ,  Bennett Paul N. (Microsoft Research, Redmond, WA, USA) ,  Dumais Susan T. (Microsoft Research, Redmond, WA, USA) ,  Joachims Thorsten (Cornell University, Ithaca, NY, USA)
資料名： ACM Proceedings  (ACM Proceedings)
号： WSDM ’18  ページ： 513-521  発行年： 2018年 
JST資料番号： D0698C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 推薦のための任意の学習アルゴリズムは,短期における満足を最大化し,長期における満足を最大化するための付加的ユーザ利益を発見するために,ユーザ≫の関心の部分知識を利用するための基本的なトレードオフに直面している。発見を可能にするために,機械学習アルゴリズムは,通常,アイテム上のフィードバックを誘発し,それは,機械学習におけるアルゴリズム探索と呼ばれる。この探索は,ユーザへのコストで,そのアイテムは,ユーザが,ユーザ≫の関心にマッチしないために頻繁にターンアウトするので,ユーザが選択するので,コストがかかる。本論文では,ユーザがそのような探索を許容し,提示戦略がどのように探査コストを緩和することができるかを研究した。この目的のために,著者らは,600人以上の行動研究を実施し,ここでは,アルゴリズム探索が推薦のセットにどのように混合されるかを変化させた。ユーザは探索量に対して非線形的に応答し,そこでは,推薦のセットに混合されたいくつかの探査が短期満足と行動にほとんど影響しないことを見出した。長期満足のために,全体的目標は,提示した項目についての探査を通して学習することである。また,クリックやホバのような陰的フィードバック信号の量と質を分析し,それらが異なる量の混合探索でどのように変化するかを分析した。著者らの知見は,インタラクティブ推薦システムにおけるアルゴリズム探索のための提示戦略をどのように設計するかについての洞察を提供し,学習のための有益なフィードバックデータを引き出すことを意図しながら,アルゴリズム探索の短期コストを緩和した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *アルゴリズム ,  機械学習 ,  学習アルゴリズム
準シソーラス用語： 推奨システム , 【Automatic Indexing@JST】

著者キーワード (5件)： アルゴリズム探索 ,  ヒューマンインザループ ,  対話型システム ,  レコメンダーシステム ,  ユーザの経験

分類 (2件)： 人工知能  (JE08000Z) ,  CAI  (JE09000G)

タイトルに関連する用語 (7件)： 短期 ,  満足 ,  長期 ,  カバレッジ ,  理解 ,  アルゴリズム ,  探索