qwik.jp - このウェブサイトは販売用です！ - qwik リソースおよび情報
This webpage was generated by the domain owner using Sedo Domain Parking. Disclaimer: Sedo maintains no relationship with third party advertisers. Reference to any specific service or trade mark is not controlled by Sedo nor does it constitute or imply its association, endorsement or recommendation.
議論に基づく推薦システムの構築~Google検索エンジンのユーザーインターフェースへの応用~ | 文献情報 | J-GLOBAL 科学技術総合リンクセンター
J-GLOBAL ID：200902287053808386 整理番号：09A0299874 議論に基づく推薦システムの構築~Google検索エンジンのユーザーインターフェースへの応用~ 出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手 {{ this.onShowCLink("http://jdream3.com/copy/?sid=JGLOBAL&noSystem=1&documentNoArray=09A0299874©=1") }} 高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=09A0299874&from=J-GLOBAL&jstjournalNo=S0731A") }}
レコメンデーションアルゴリズム勉強会に行ってきた - 糞ネット弁慶
家に帰ってまとめブログを書くまでが勉強会です。 チームラボにてレコメンデーションアルゴリズム勉強会を開催しますので、是非オフィスに遊びに来てください : ATND ビッグサイトの就活イベントや同人イベントガン無視でチームラボで開催されたレコメンデーションアルゴリズム勉強会に行ってきた。 流れは上にあるとおりで何人かの発表があったのだけれど、やっぱり話題になるのはNetflix prizeでのあれですよ、あれ。 netflix prize is over, 時間経過による嗜好性の変化: DO++ Yehuda Koren, ”Collaborative Filtering with Temporal Dynamics ”, KDD 2009 SVD→SVD++→timeSVD++の流れで一人が話してしまったら後の人が被りまくりになるというアレな事態になってて、こういうどマイナーというかニッチ
協調フィルタリングのグラフィカルモデル - nokunoの日記
協調フィルタリングとはAmazonのお勧めのように「この商品を購入した人はこんな商品も購入しています」という情報を用いて推薦をする手法です。グラフィカルモデルはベイジアンネットワークとも呼ばれ、最近一部で流行している機械学習の手法です。今回は、協調フィルタリングをグラフィカルモデルで表現したらどのようになるだろう、と考えて思いついたアイデアを紹介します。 今、ユーザuとアイテムiの組{u,i}のデータが大量に与えられているとします。例えばソーシャルブックマークならユーザとブックマークしているページの組み合わせ、E-commerseならユーザと購入した商品の組み合わせ、などです。ここではSBMを例に考えるので、はてブと同様にユーザはマイナスの評価を付けることはできないものとします。 このときユーザuに対してお勧めのページを推薦することを考えると、ユーザuがまだブックマークしていないページiに
類似サイトを見つけ出すFirefox用アドオン「SimilerWeb」 :教えて君.net
お気に入りのサイトの類似サイトを探すのは意外と難しい。GoogleリーダーなどのRSSリーダーには類似サイトの推薦機能が搭載されているが、多くのサイトを登録しているとイマイチ精度がよくない。類似サイトはFirefox用のアドオン「SimilerWeb」を使って見つけ出そう。 SimilarWebは開いているページの類似サイトを表示するアドオンだ。RSSリーダーのオススメ機能だと、RSSリーダーに登録されている多種多様なサイトが元になるため、余計なサイトがたくさんピックアップ差れる傾向にある。その点、SimilerWebなら現在開いているページだけを元に類似サイトを表示してくれるのだ。類似サイト以外にも、ページを記事として取り上げているブログや、Twitterの関連投稿を見つけ出すことも可能。ウェブの行動半径を広げたいときに活用しよう。 ■ 類似サイトをサイドバーに表示する 「Simila
サポートページ：WEB+DB PRESS Vol.49
このページでは「WEB+DB PRESS Vol.49」に関する補足情報を公開しています。 サンプルファイルのダウンロード ■ご注意 ※ 本コーナーは，本誌記事参考用資料としてのご提供を目的としております。 ※ 本誌記載の内容およびサポートサイトで公開しているサンプルコードに基づく運用の結果について，記事の筆者，プログラムの作者/提供元，(株)技術評論社は一切の責任を負いかねます。ご自身の責任のもと，ご使用ください。 ※ 各サンプルファイル/ソースコードには，個別に，ライセンスやREADMEファイルなどで注意事項/制限事項が添付されている場合がございます。その場合，該当のライセンス，注意事項/制限事項を優先して適用とさせていただきますので，ダウンロード後，内容をご確認ください。 特集1「現場で役立つ DRYの基礎知識」 本特集で使用されたサンプルコード 特別企画「あの「オススメ」機能のしく
How Users Evaluate Each Other in Social Media (RecSys2012 keynote)
14th ACM Conference on Recommender Systems Online, Worldwide, 22nd-26th September 2020 The ACM Recommender Systems conference (RecSys) is the premier international forum for the presentation of new research results, systems and techniques in the broad field of recommender systems. Recommendation is a particular form of information filtering, that exploits past behaviors and user similarities to ge
レコメンダシステム - Wikipedia
レコメンダシステム（英: recommender system）は、情報フィルタリング (IF) 技法の一種で、特定ユーザーが興味を持つと思われる情報（映画、音楽、本、ニュース、画像、ウェブページなど）、すなわち「おすすめ」を提示するものである。通常のレコメンダシステムは、ユーザーのプロファイルを何らかのデータ収集基準と比較検討し、ユーザーが個々のアイテムにつけるであろう評価を予測する。基準は情報アイテム側から形成する場合（コンテンツベースの手法）とユーザーの社会環境から形成する場合（協調フィルタリングの手法）がある。 ユーザーのプロファイルを構築するとき、データ収集の明示的部分と暗黙的部分を区別する。 明示的データ収集には次のようなものがある。 ユーザーにあるアイテムの評価を付けてもらう（例えば5段階評価）。 ユーザーに一群のアイテムを好きか嫌いかランク付けしてもらう。 ユーザーに2つの
Netflix Prizeに見るOpen Innovationの可能性 | FERMAT
Netflix Prizeに見るOpen Innovationの可能性 September 30, 2009 op-ed / commentary authorjunichi ikeda share tweet Netflixが2006年にスタートさせたNetflix Prize。 自社のRecommendation EngineであるCinematchのパフォーマンスを10％向上させたものに100万ドルの賞金が手渡される、ソフトウェア開発コンテスト。世界中のプログラマーを巻き込み、3年にわたる開発競争を経て、ようやく最終勝者が確定した。 A $1 Million Research Bargain for Netflix, and Maybe a Model for Others 【New York Times： September 22, 2009】 The Netflix Prize
Netflix Prizeの勝者は誰か - 糞ネット弁慶
BellKor's Pragmatic Chaosのみが10%を超え勝者確実と思われる そりゃこれまでの最強チームの連合、これには勝てなかろうと しかし、それを打ち破るチームが現れた。 The Ensembleが終了24時間前にそれを超える数値を登録 twitterでも何度か言及されており、「これはThe Ensembleが勝ったのかどうなんだ、終了規定はどんなじゃ」とかはっきりしてなかったが、Pragmatic TheoryのRSSにそれっぽい記述があったのでここに貼付けておく。ちなみに記事は消えてる。 （略） Four short minutes before the end of the competition, another lightning bolt. The Ensemble had submitted at 10.10% and had appeared to have
大規模データ処理のための行列の低ランク近似 -- SVD から用例ベースの行列分解まで -- - 武蔵野日記
id:naoya さんのLatent Semantic Indexing の記事に触発されて、ここ1週間ほどちょくちょく見ている行列の近似計算手法について書いてみる。ここでやりたいのは単語-文書行列(どの単語がどの文書に出てきたかの共起行列)や購入者-アイテム行列(どの人がどの本を買ったかとか、推薦エンジンで使う行列)、ページ-リンク行列(どのページからどのページにリンクが出ているか、もしくはリンクをもらっているか。PageRank などページのランキングの計算に使う)、といったような行列を計算するとき、大規模行列だと計算量・記憶スペースともに膨大なので、事前にある程度計算しておけるのであれば、できるだけ小さくしておきたい(そして可能ならば精度も上げたい)、という手法である。 行列の圧縮には元の行列を A (m行n列)とすると A = USV^T というように3つに分解することが多いが、も
I-SVDについて - 数理解析分野
本研究室では，可積分系による数値計算パッケージ LAPIS (Linear Algebra Package by Integrable Systems) の開発を継続的に行っております．このページでは，LAPISの中心的な位置を占める特異値分解アルゴリズム: I-SVDについて，その概要を述べます． 研究背景 (特異値分解) 特異値計算ライブラリ DLVS 特異値分解コード DBDSLV I-SVD法の特徴 開発メンバー 研究背景 (特異値分解) 特異値分解は，情報検索，画像処理，最小2乗問題等に広く用いられています．アメリカの標準パッケージライブラリLAPACKにおいて公開されている2重対角行列の特異値分解コードとしてはQR法に基づくDBDSQR，分割統治法DCに基づくDBDSDC，2分法と逆反復法に基づくDSTEBZ，DSTEINがあります．また，特異値計算コードとしてはdqds法によ
Hierarchical Clustering Algorithms for Document Datasets | Karypis Lab
Data Mining and Knowledge Discovery, Vol. 10, No. 2, pp. 141 - 168, 2005 Abstract Fast and high-quality document clustering algorithms play an important role in providing intuitive navigation and browsing mechanisms by organizing large amounts of information into a small number of meaningful clusters. In particular, clustering algorithms that build meaningful hierarchies out of large document coll
実用化目前のセマンティック検索とビジネスへのインパクト
検索目的の細分化や多用途化によって従来のキーワード検索では限界が見えてきた。新たな検索技術に求められるのは、利用者のニーズを正確に把握する技術と検索対象の情報の中身を正確に理解する技術。そんな中、セマンティック検索技術が実用段階に入ってきた。 検索を取り巻く環境変化と検索技術の変化との間に乖離 Googleが設立された1998年から10年以上が経過した今、キーワード検索は最も身近なWebツールとして毎日のビジネスや日常生活に溶け込んでいる。 だが、現在主流のキーワード検索の限界を指摘するのは、野村総合研究所の情報技術本部で技術調査部の副主任研究員を務める武居（たけすえ）輝好氏だ。恒例となった同社の「ITロードマップセミナー SPRING 2009」で検索技術の進化について講演した同氏は、「検索を取り巻く環境変化と検索技術の変化との間に大きな乖離（かいり）が生じ始めている」と語り、検索用途が
研究会 - 情報過多時代の情報利用 ～ 推薦システムと協調フィルタリング ～
2008-08-22 13:00 ［特別講演］情報過多時代の情報利用 ～ 推薦システムと協調フィルタリング ～ ○神嶌敏弘（産総研） SWIM2008-7 本講演では推薦システム，特に，その背後にあるアルゴリズムと，設計上の選択肢について述べる．推薦システムとは，利用者が探している情報やもの（アイテム）を予測し，それらを利用者に提示するシステムである． この推薦システムが登場した背後には情報過多 (Information Overload)と呼ばれる状況がある．情報過多とは，日々発信・蓄積されている情報があまりにも膨大なため，探しているアイテムがあることが分かっていても，それを探し出せない状況のことである．そこで，利用者の要求に応じて情報を絞り込むことで，この問題に対抗する手段の一つとして推薦システムが開発された． いうまでもなく，利用者の要求は，探しているアイテム，利用者自身，探している
netflix prize is over, 時間経過による嗜好性の変化 - DO++
米国のオンラインDVDレンタルサービス「Netflix」が、現在利用しているレコメンデーションシステムの性能をはじめに10%改善したチームに100万ドルの賞金を与えるという触れ込みで始まったnetflix prizeは当初の予想よりも時間がかかったが、つい最近最初からトップを走り続けていたbellkorと、上位陣のコラボレーションのチームが10%の壁を破った（leaderboard）。 彼らの手法は「非常に多くの様々な種類のレコメンデーションシステムの結果を混ぜ合わせる」という愚直だがいかにも精度が出そうだという方法を採用している（、と昨年度の結果からは思われる。近々詳細は出るだろう。） 実際に使ってとどめになったかどうかは分からないが、彼らのチームの主要メンバーがKDDで新しい手法を発表しており、単一の手法による最高精度を達成している。ちなみに今年のKDD（データマイニング系の学会の最高
【コラム】シリコンバレー101 (324) 難攻不落と言われたNetflix Prize"10%の壁"、国際チームが突破 | ネット | マイコミジャーナル
「18カ月ごとにソフトウエアの重さは2倍になる」 Googleの共同設立者Larry Page氏の言葉で、同社内では「ペイジの法則」と呼ばれているそうだ。ムーアの法則をネタにしたジョークだが、的外れな表現ではない。同じPCを長く使い続けていると、どんどん動作が鈍くなるのはソフトの高機能化も原因の1つ。ハードウエアの高性能化に歩調を合わせているケースもあるが、ユーザーのニーズに応えてソフトウエアが成長している分野もある。さしずめWebアプリは後者だろう。この場合、ソフトウエアの鈍重化が動作環境の向上を上回ってしまう可能性もある。そうなるとユーザーの期待に応えても、結果的にユーザーの利用体験を損なってしまう。特にWebアプリの場合は、ハードウエアだけではなく、Webブラウザや、ネットワーク帯域やWebページの最適化など様々な要因の影響を受ける。Webプラットフォームを推進するGoogleがペイ
NTT CS研オープンハウス×未来想論2009 未来想論 コンピュータが言葉の意味を理解できると何が変わるか？ ―検索エンジンを超えるもの―
乾 健太郎（パネリスト） 奈良先端科学技術大学院大学 情報科学研究科 准教授 奈良先端科学技術大学院大学 情報科学研究科 准教授．専門は計算言語学．言語情報や知識の自動編集に関する研究に従事．1995年東京工業大学博士課程修了．同大学助手，九州工業大学助教授を経て，現職．情報処理学会自然言語処理研究会幹事，Computational Linguistics編集委員．人工知能学会1997年度論文賞，COLING/ACL-2006 Best Asian NLP Paper Award，言語処理学会年次大会優秀発表賞等，受賞．博士（工学）． 増市 博（パネリスト） 富士ゼロックス(株) 研究技術開発本部 研究主査 1991年 京都大学大学院工学研究科修士課程修了．同年，富士ゼロックス株式会社入社．1998年-2000年 スタンフォード大学CSLI客員研究員およびXerox PARCコンサルタント
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
python-hosting.com
はてなブログ | 無料ブログを作成しよう
