抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
増加する選択の時代において,推薦システムは,推薦プラットフォーム上で数百万または10億のコンテンツをナビゲートするのを助けるために不可欠になっている。推薦システムの殆どは,大量のユーザ-項目相互作用データで訓練されたMLモデルによって駆動される。しかしながら,そのようなセットアップは,頭部含量がますます多くの曝露を取得し,一方,テールと新鮮コンテンツが発見されない,豊富なより豊富な現象を生成する強いフィードバックループを誘導する。同時に,それは,彼らが既に知っているコンテンツに,利用者を収容する。探索はフィードバックループから離れ,推薦プラットフォーム上の長期ユーザ経験を最適化するための鍵であると信じる。帯域とRL研究の基盤である探査-開発トレードオフは,RLにおいて広範囲に研究されている。効果的な探査は,プラットフォーム上のユーザ経験に正に影響すると考えられているが,推薦システムにおける探査の正確な価値は,十分に確立されていない。この会話において,3つのファセットにおける推薦者システムにおける探査の役割を調べた。1)利用者の既知の関心に基づく表面新鮮/尾推奨に対するシステム探査;2)ユーザ探索は,未知のユーザ興味を同定し,ユーザを新しい興味に導入する。3)リアルタイムユーザフィードバックを利用するオンライン探査により,システムおよびユーザ探索を行う際の外挿誤差を低減する。異なるタイプの探査における測定および最適化における課題を議論し,初期解を提案した。著者らは,探査の各側面が,産業推薦プラットフォームに関するオフラインおよびライブ実験を通して,長期ユーザ経験にどのように寄与するかを示した。この会話は,推薦者システムにおける探索の理解と改善において,より多くの追跡作業を鼓舞できると期待する。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】
