論文の概要: Leveraging Cross Feedback of User and Item Embeddings with Attention for
Variational Autoencoder based Collaborative Filtering
- arxiv url: http://arxiv.org/abs/2002.09145v3
- Date: Mon, 22 Aug 2022 04:31:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 00:32:43.896794
- Title: Leveraging Cross Feedback of User and Item Embeddings with Attention for
Variational Autoencoder based Collaborative Filtering
- Title（参考訳）: 変分オートエンコーダに基づく協調フィルタリングにおけるユーザおよびアイテム埋め込みのクロスフィードバックの活用
- Authors: Yuan Jin, He Zhao, Ming Liu, Ye Zhu, Lan Du, Longxiang Gao, He Zhang,
Yunfeng Li
- Abstract要約: 本稿では,VAEをベースとしたベイズ型MFフレームワークを提案する。
このフレームワークは、ユーザとアイテムのエンコーダへの埋め込みの相互フィードバックを反復的に行う。
現在再サンプリングされているユーザとアイテムの埋め込みに対して、行列係数化によってデータを再構築する。
- 参考スコア（独自算出の注目度）: 25.569930256022925
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Matrix factorization (MF) has been widely applied to collaborative filtering
in recommendation systems. Its Bayesian variants can derive posterior
distributions of user and item embeddings, and are more robust to sparse
ratings. However, the Bayesian methods are restricted by their update rules for
the posterior parameters due to the conjugacy of the priors and the likelihood.
Variational autoencoders (VAE) can address this issue by capturing complex
mappings between the posterior parameters and the data. However, current
research on VAEs for collaborative filtering only considers the mappings based
on the explicit data information while the implicit embedding information is
overlooked. In this paper, we first derive evidence lower bounds (ELBO) for
Bayesian MF models from two viewpoints: user-oriented and item-oriented. Based
on the ELBOs, we propose a VAE-based Bayesian MF framework. It leverages not
only the data but also the embedding information to approximate the user-item
joint distribution. As suggested by the ELBOs, the approximation is iterative
with cross feedback of user and item embeddings into each other's encoders.
More specifically, user embeddings sampled at the previous iteration are fed to
the item-side encoders to estimate the posterior parameters for the item
embeddings at the current iteration, and vice versa. The estimation also
attends to the cross-fed embeddings to further exploit useful information. The
decoder then reconstructs the data via the matrix factorization over the
currently re-sampled user and item embeddings.
- Abstract（参考訳）: 行列分解(mf)は推薦システムにおける協調フィルタリングに広く適用されている。
そのベイズ変種は、ユーザとアイテムの埋め込みの後方分布を導出することができ、スパース評価に対してより堅牢である。
しかしながら、ベイズ法では、先行値と確率の一致性のため、後続パラメータの更新規則によって制限される。
変分オートエンコーダ(VAE)は、後続パラメータとデータの間の複雑なマッピングをキャプチャすることでこの問題に対処できる。
しかし, 協調フィルタリングのためのvaesに関する最近の研究は, 暗黙的な埋め込み情報を見落としながら, 明示的なデータ情報に基づくマッピングのみを考慮に入れている。
本稿では,まず,ユーザ指向とアイテム指向の2つの視点からベイズ的MFモデルの低境界(ELBO)を導出する。
ELBOをベースとしたVAEベースのベイズMFフレームワークを提案する。
データだけでなく、埋め込み情報も活用し、ユーザーとコンテンツのジョイント分布を近似する。
ELBOによって提案されたように、近似はユーザーとアイテムのエンコーダへの埋め込みの相互フィードバックによって反復的である。
より具体的には、前回のイテレーションでサンプリングされたユーザー埋め込みは、アイテムサイドエンコーダに送られ、現在のイテレーションで埋め込みされたアイテムの後方パラメータを推定します。
この推定はまた、有用な情報を更に活用するために、クロスフィード埋め込みにも参加している。
次にデコーダは、現在再サンプリングされているユーザとアイテムの埋め込みに対して、マトリックス分解を介してデータを再構成する。
関連論文リスト
- Bridging User Dynamics: Transforming Sequential Recommendations with Schrödinger Bridge and Diffusion Models [49.458914600467324]
拡散に基づく逐次レコメンデーションモデルにSchr"odinger Bridgeを導入し、SdifRecモデルを作成する。
また、ユーザクラスタリング情報を誘導条件として利用するcon-SdifRecと呼ばれるSdifRecの拡張版も提案する。
論文 参考訳（メタデータ） (2024-08-30T09:10:38Z) - Personalized Federated Collaborative Filtering: A Variational AutoEncoder Approach [49.63614966954833]
Federated Collaborative Filtering (FedCF)は、プライバシを保護する新しいレコメンデーションフレームワークの開発に焦点を当てた新興分野である。
本稿では,ユーザのパーソナライズされた情報を潜在変数とニューラルモデルに同時に保存することで,新たなパーソナライズされたFedCF手法を提案する。
提案フレームワークを効果的に学習するために,ユーザインタラクションベクトル再構成と欠落した値予測を統合することで,特殊変分オートエンコーダ(VAE)タスクとして問題をモデル化する。
論文 参考訳（メタデータ） (2024-08-16T05:49:14Z) - MMGRec: Multimodal Generative Recommendation with Transformer Model [81.61896141495144]
MMGRecは、マルチモーダルレコメンデーションに生成パラダイムを導入することを目指している。
まず,階層的な量子化手法であるGraph CF-RQVAEを考案し,各項目にRec-IDを割り当てる。
次に、Transformerベースのレコメンデータをトレーニングし、過去のインタラクションシーケンスに基づいて、ユーザが推奨するアイテムのRec-IDを生成する。
論文 参考訳（メタデータ） (2024-04-25T12:11:27Z) - Item-based Variational Auto-encoder for Fair Music Recommendation [1.8782288713227568]
EvalRS DataChallengeは、評価の正確性、公平性、多様性を考慮して、より現実的なレコメンデーションシステムを構築することを目的としている。
提案システムは,アイテムベース変分自動エンコーダ(VAE)とベイズパーソナライズされたランキング行列分解(BPRMF)のアンサンブルに基づく。
論文 参考訳（メタデータ） (2022-10-24T06:42:16Z) - SUPER-Rec: SUrrounding Position-Enhanced Representation for
Recommendation [5.5362209010481855]
協調フィルタリング問題は一般に行列補完法に基づいて解決される。
本稿では,新しい位置強調型ユーザ/イテム表現トレーニングモデル SUPER-Rec を提案する。
論文 参考訳（メタデータ） (2022-09-09T07:24:55Z) - Does Recommend-Revise Produce Reliable Annotations? An Analysis on
Missing Instances in DocRED [60.39125850987604]
テキスト修正方式は, 偽陰性サンプルと, 人気エンティティや関係性に対する明らかな偏見をもたらすことを示す。
より信頼性の高いドキュメントREモデルのテストセットとして機能するように、relabeledデータセットがリリースされている。
論文 参考訳（メタデータ） (2022-04-17T11:29:01Z) - Transfer of codebook latent factors for cross-domain recommendation with
non-overlapping data [5.145146101802871]
Data Sparsityは、協調フィルタリング技術における大きな欠点の1つだ。
本稿では,クロスドメインレコメンデーションのための新しいトランスファー学習手法を提案する。
論文 参考訳（メタデータ） (2022-03-26T05:26:39Z) - Consistent Collaborative Filtering via Tensor Decomposition [0.2578242050187029]
協調フィルタリングは、ユーザのアクティビティを分析し、アイテムのレコメンデーションシステムを構築するためのデファクトスタンダードである。
Sliced Anti-symmetric Decomposition (SAD) は暗黙のフィードバックに基づく協調フィルタリングのための新しいモデルである。
我々は,100万以上のユーザ・イテムインタラクションを含むシミュレーションおよび実世界のデータセットにおいて,SADの効率を実証する。
論文 参考訳（メタデータ） (2022-01-28T05:14:37Z) - Sparse-Interest Network for Sequential Recommendation [78.83064567614656]
本稿では,シーケンシャルレコメンデーションのためのtextbfSparse textbfInterest textbfNEtwork(SINE)を提案する。
我々のスパース関心モジュールは、大きなコンセプトプールから各ユーザに対してスパースの概念セットを適応的に推測することができる。
SINEは最先端の手法よりも大幅に改善できる。
論文 参考訳（メタデータ） (2021-02-18T11:03:48Z) - A Refined SVD Algorithm for Collaborative Filtering [0.0]
協調フィルタリングは、類似した嗜好を持つ他のユーザの意見に基づいて、一部の項目に対するユーザの評価を予測しようとする。
協調フィルタリングへの様々なアプローチがあり、最も人気のあるものはSingular Value Decomposition (SVD)とK-meansクラスタリングである。
論文 参考訳（メタデータ） (2020-12-13T00:04:11Z) - Modurec: Recommender Systems with Feature and Time Modulation [50.51144496609274]
特徴量変調機構を用いて利用可能な情報を全て組み合わせたオートエンコーダに基づくModurecを提案する。
Movielensデータセットでは、これらの修正によって、最も評価された設定で最先端の結果が得られます。
論文 参考訳（メタデータ） (2020-10-13T09:18:33Z)
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。