Core Concepts
GPR4DURは、多様なユーザーの興味を効果的に捉え、不確実性を考慮し、高次元埋め込みよりも効率的である。
Abstract
オンラインプラットフォームの利用が増加する中、個別化された推薦システムの設計において、ユーザーの多様で動的な興味を正確にモデリングすることが重要です。本研究では、従来の単一点または複数点表現方法の制限を克服するために、密度ベースのユーザー表現(DURs)を導入しました。この新しい手法は、Gaussian process regression(GPR)を活用して効果的なマルチ興味推奨と検索を実現します。具体的には、GPR4DURは手動調整なしでユーザーの興味変動性を捉え、不確実性意識を組み込み、大量のユーザーにスケーリング可能です。オフラインデータセットを使用した実験では、GPR4DURの適応性と効率性が確認されました。一方、シミュレートされたユーザーを用いたオンライン実験では、探索と活用のトレードオフへの対処能力が示されました。
Stats
GPR4DURは密度ベースのユーザー表現方法である。
モデル不確かさを考慮している。
GPR4DURは高次元埋め込みよりも効率的である。
Quotes
"Our approach has various desirable properties."
"To address limitations of SUR and MUR point-based representations, we propose a user representation that emphasizes adaptability, uncertainty-awareness, and efficiency."