Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
Matching theory based recommender systems in online dating
Search
Syouya Tobita
June 06, 2024
Research
0
6
Matching theory based recommender systems in online dating
論文読み会@Newbees
Syouya Tobita
June 06, 2024
Tweet
Share
More Decks by Syouya Tobita
See All by Syouya Tobita
Siamese neural networks in recommendation
tobi_kite
0
7
Pose Estimationの汎用的な評価指標について
tobi_kite
0
340
Other Decks in Research
See All in Research
MLtraq: Track your AI experiments at hyperspeed
micheda
1
140
"多様な推薦"はユーザーの目にどう映るか
kuri8ive
3
180
音声処理ツールキットESPnetの現在と未来
kanbayashi1125
3
650
自然言語とVision&Language
kuehara
18
3.6k
SSII2024 [OS1] 画像生成技術の発展: 過去10年の軌跡と未来への展望
ssii
PRO
3
1.2k
眠眠ガチャ:ガチャを活用した睡眠意欲向上アプリの開発 / EC71inui
yumulab
1
340
VAR モデルによる OSS プロジェクト同士が生存性に与える 影響の分析
noppoman
0
160
第28回 著者ゼミ:Identification of drug responsible glycogene signature in liver carcinoma from meta-analysis using RNA-seq data
ktatsuya
2
150
SSII2024 [OS1] 現場の課題を解決する ロボットラーニング
ssii
PRO
0
330
第12回全日本コンピュータビジョン勉強会:画像の自己教師あり学習における大規模データセット
naok615
0
560
デジタルツインによる ネイチャーポジティブへの挑戦
fullfull
0
190
Evolutionary Optimization ofModel Merging Recipes (2024/04/17, NLPコロキウム)
iwiwi
9
4.6k
Featured
See All Featured
Making the Leap to Tech Lead
cromwellryan
126
8.6k
Code Reviewing Like a Champion
maltzj
516
39k
GraphQLの誤解/rethinking-graphql
sonatard
57
9.5k
The Power of CSS Pseudo Elements
geoffreycrofte
63
5.1k
I Don’t Have Time: Getting Over the Fear to Launch Your Podcast
jcasabona
24
1.7k
Fireside Chat
paigeccino
24
2.7k
Writing Fast Ruby
sferik
623
60k
The Mythical Team-Month
searls
217
42k
Creatively Recalculating Your Daily Design Routine
revolveconf
213
11k
ParisWeb 2013: Learning to Love: Crash Course in Emotional UX Design
dotmariusz
104
6.7k
Building Applications with DynamoDB
mza
89
5.8k
Fantastic passwords and where to find them - at NoRuKo
philnash
40
2.6k
Transcript
Matching theory-based recommender systems in online dating Newbees論文読み会 飛田 祥弥
目次 • 概要 • 相互推薦システムとは • TUマッチング(Matching with Transferable Utility)
• MTRS(Matching theory-based Recommender Systems) • オンラインデートにおける応用と課題 • 今後の方向性
概要 Reciprocal Recommender System(以降RSS)は相互を考慮した推薦システムであり、以下のような点を 考慮する必要がある。 • 双方のユーザーが利益を得られるようレコメンドすること • 適合されやすいユーザーのみがレコメンドされないように設計すること この論文では、マッチング理論(1962~)に基づいたRSSを提案し、
実際の適用へ向けたプロジェクト紹介や方向性を示している。
相互推薦システムとは RSSは双方の嗜好度(Preference score)を計算し、それらを集約した結果を基にレコメンドを行う。 レコメンドにおいて以下の2点が肝となる 1. 双方の嗜好度を計算する手法(コンテンツベース、協調フィルタリングベース) 2. 双方の嗜好度を集約する手法(調和平均、算術平均、幾何平均、交差比均一、重み付平均) like? like?
Aggregation Function Reciprocal score Predict preferences
TUマッチング(Matching with Transferable Utility) 元々、市場経済におけるジョブマッチング(労働者-企業間)における、賃金の移動額が両者の需要に合 うような均衡を見つける動機で使われる。 労働者と企業で雇用契約(マッチング)した際に、発生する移転(賃金等)が行われるとした場合に、そ の移転コストが需要と供給によって調整するようにする。 大手企業 中小企業
中小企業 スキルが足りないかも …
MTRS(Matching Theory-based Recommender Systems) 従来のRSSにTUマッチングを組み込むことで、均衡を考慮した新しいMTRSを提案している。
今後の方向性 • NTUマッチング(非伝達型) • アファーマティブアクションによるマッチング • 地域制約を活用したマッチング • MTRSとバンディットアルゴリズムを活用したマッチング
End of file