論文の概要: MetaSelector: Meta-Learning for Recommendation with User-Level Adaptive Model Selection

• arxiv url: http://arxiv.org/abs/2001.10378v3
• Date: Tue, 5 May 2020 03:18:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-07 18:22:04.561632
• Title: MetaSelector: Meta-Learning for Recommendation with User-Level Adaptive Model Selection
• Title（参考訳）: MetaSelector: ユーザレベル適応モデル選択による推薦のためのメタ学習
• Authors: Mi Luo, Fei Chen, Pengxiang Cheng, Zhenhua Dong, Xiuqiang He, Jiashi Feng, Zhenguo Li
• Abstract要約: 推薦システムにおけるユーザレベルの適応モデル選択を容易にするメタラーニングフレームワークを提案する。 2つのパブリックデータセットと実世界のプロダクションデータセットで実験を行います。
• 参考スコア（独自算出の注目度）: 110.87712780017819
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender systems often face heterogeneous datasets containing highly personalized historical data of users, where no single model could give the best recommendation for every user. We observe this ubiquitous phenomenon on both public and private datasets and address the model selection problem in pursuit of optimizing the quality of recommendation for each user. We propose a meta-learning framework to facilitate user-level adaptive model selection in recommender systems. In this framework, a collection of recommenders is trained with data from all users, on top of which a model selector is trained via meta-learning to select the best single model for each user with the user-specific historical data. We conduct extensive experiments on two public datasets and a real-world production dataset, demonstrating that our proposed framework achieves improvements over single model baselines and sample-level model selector in terms of AUC and LogLoss. In particular, the improvements may lead to huge profit gain when deployed in online recommender systems.
• Abstract（参考訳）: レコメンダシステムは、非常にパーソナライズされたユーザーの履歴データを含む異種データセットに直面することが多い。 このユビキタスな現象をパブリックデータセットとプライベートデータセットの両方で観察し,モデル選択問題に対処し,ユーザ毎のレコメンデーションの質を最適化する。 推薦システムにおけるユーザレベルの適応モデル選択を容易にするメタラーニングフレームワークを提案する。 このフレームワークでは、レコメンダのコレクションをすべてのユーザからのデータでトレーニングし、その上にメタラーニングを通じてモデルセレクタをトレーニングし、ユーザ固有の履歴データを持つユーザ毎に最適な単一モデルを選択する。 AUCとLogLossの2つの公開データセットと実運用データセットに関する広範な実験を行い、提案するフレームワークが単一モデルベースラインとサンプルレベルのモデルセレクタの改善を実現していることを示す。 特にこの改善は、オンラインレコメンデーションシステムにデプロイされた場合、大きな利益をもたらす可能性がある。

関連論文リスト

• Context-aware adaptive personalised recommendation: a meta-hybrid [0.41436032949434404]
  機械学習を用いて最適なアルゴリズムを予測するメタハイブリッドレコメンデータを提案する。 提案モデルに基づいて、どのレコメンデータがユーザに最も正確なレコメンデーションを提供するかを予測できる。
  論文  参考訳（メタデータ） (2024-10-17T09:24:40Z)
• MLRS-PDS: A Meta-learning recommendation of dynamic ensemble selection pipelines [3.1140073169854485]
  本稿では,動的アンサンブル選択のための最適なプール生成手法を提案するメタラーニングレコメンデーションシステム(MLRS)を提案する。 このシステムは、データセットのメタ機能から構築されたメタモデルを使用して、与えられたデータセットに対して最も適切なプール生成スキームとDESメソッドを予測する。 このメタ学習レコメンデーションシステムは従来の固定プールやDESメソッドの選択方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-10T10:31:57Z)
• A Large Language Model Enhanced Sequential Recommender for Joint Video and Comment Recommendation [77.42486522565295]
  我々は、パーソナライズされたビデオとコメントのレコメンデーションを共同で行うLSVCRと呼ばれる新しいレコメンデーション手法を提案する。 提案手法は,逐次レコメンデーション(SR)モデルと補足型大規模言語モデル(LLM)レコメンデーションという2つの重要なコンポーネントから構成される。 特に、コメント視聴時間の4.13%が大幅に向上した。
  論文  参考訳（メタデータ） (2024-03-20T13:14:29Z)
• DsDm: Model-Aware Dataset Selection with Datamodels [81.01744199870043]
  標準的なプラクティスは、データ品質という人間の考え方にマッチする例をフィルタリングすることです。 質の高い"データソースとの類似性に応じた選択は、ランダムに選択するデータに比べてパフォーマンスが向上しない(さらに傷つく)可能性がある。 我々のフレームワークは、データ品質に関する手作業による概念を回避し、学習プロセスがターゲットタスクの予測にデータポイントをトレーニングする方法を明確にモデル化する。
  論文  参考訳（メタデータ） (2024-01-23T17:22:00Z)
• Ada-Retrieval: An Adaptive Multi-Round Retrieval Paradigm for Sequential Recommendations [50.03560306423678]
  本稿では,レコメンダシステムのための適応型マルチラウンド検索パラダイムであるAda-Retrievalを提案する。 Ada-Retrievalは、ユーザー表現を反復的に洗練し、全項目領域の潜在的な候補をよりよく捉えます。
  論文  参考訳（メタデータ） (2024-01-12T15:26:40Z)
• Membership Inference Attacks Against Latent Factor Model [0.0]
  推奨項目のリストを取得するには、潜在因子モデルをレコメンダとして使用します。 シャドーレコメンデータは、攻撃モデルに対するラベル付きトレーニングデータを導出するために設定される。 実験データから,攻撃モデルのAUC指数が実データセットMovieLensで0.857に達することを示す。
  論文  参考訳（メタデータ） (2022-12-15T08:16:08Z)
• Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
  逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。 しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。 したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
  論文  参考訳（メタデータ） (2022-11-17T19:00:24Z)
• MAMO: Memory-Augmented Meta-Optimization for Cold-start Recommendation [46.0605442943949]
  ほとんどのレコメンデーションシステムの一般的な課題は、コールドスタート問題である。 本稿では,タスク固有の記憶と特徴固有の記憶を格納できる2つのメモリ行列を設計する。 提案手法を最適化するためにメタ最適化アプローチを採用する。
  論文  参考訳（メタデータ） (2020-07-07T03:25:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。