Fugu-MT 論文翻訳(概要): CATA++: A Collaborative Dual Attentive Autoencoder Method for Recommending Scientific Articles

論文の概要: CATA++: A Collaborative Dual Attentive Autoencoder Method for Recommending Scientific Articles

arxiv url: http://arxiv.org/abs/2002.12277v2
Date: Fri, 15 May 2020 09:20:15 GMT
ステータス: 処理完了
システム内更新日: 2022-12-28 08:15:57.954622
Title: CATA++: A Collaborative Dual Attentive Autoencoder Method for Recommending Scientific Articles
Title（参考訳）: CATA++: 科学論文を引用するための協調的デュアルアテンタティブオートエンコーダ手法
Authors: Meshal Alfarhood and Jianlin Cheng
Abstract要約: 本稿では,CATA++(Collaborative Dual Attentive Autoencoder)を紹介する。 CatA++は記事の内容を利用し、2つの並列オートエンコーダを通してその潜在空間を学習する。我々の双方向学習戦略は、他の最先端のMFベースモデルと比較して、MF性能を著しく改善した。
参考スコア（独自算出の注目度）: 0.3553493344868413
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recommender systems today have become an essential component of any commercial website. Collaborative filtering approaches, and Matrix Factorization (MF) techniques in particular, are widely used in recommender systems. However, the natural data sparsity problem limits their performance where users generally interact with very few items in the system. Consequently, multiple hybrid models were proposed recently to optimize MF performance by incorporating additional contextual information in its learning process. Although these models improve the recommendation quality, there are two primary aspects for further improvements: (1) multiple models focus only on some portion of the available contextual information and neglect other portions; (2) learning the feature space of the side contextual information needs to be further enhanced. In this paper, we introduce a Collaborative Dual Attentive Autoencoder (CATA++) for recommending scientific articles. CATA++ utilizes an article's content and learns its latent space via two parallel autoencoders. We employ the attention mechanism to capture the most related parts of information in order to make more relevant recommendations. Extensive experiments on three real-world datasets have shown that our dual-way learning strategy has significantly improved the MF performance in comparison with other state-of-the-art MF-based models using various experimental evaluations. The source code of our methods is available at: https://github.com/jianlin-cheng/CATA.
Abstract（参考訳）: 今日、レコメンダシステムはあらゆる商用ウェブサイトの重要なコンポーネントとなっている。協調フィルタリング手法、特にマトリックスファクトリゼーション(MF)技術は推奨システムで広く用いられている。しかし、自然なデータスパーシティ問題は、ユーザがシステム内の非常に少ない項目と相互作用するパフォーマンスを制限します。その結果、学習プロセスに追加の文脈情報を導入することで、MF性能を最適化する複数のハイブリッドモデルが提案されている。これらのモデルは推奨品質を向上するが、次の2つの改善点がある:(1)複数のモデルは利用可能な文脈情報の一部にのみ焦点をあて、他の部分を無視し、(2)側面の文脈情報の特徴空間の学習をさらに強化する必要がある。本稿では,科学論文を推薦するコラボレーティブ・アテンティブ・オートエンコーダ(cata++)を提案する。 CATA++は記事の内容を利用し、2つの並列オートエンコーダを通してその潜在空間を学習する。我々は,より関連性の高いレコメンデーションを行うために,情報の最も関連性の高い部分を取り込むアテンション機構を採用している。 3つの実世界のデータセットに対する大規模な実験により、我々の双方向学習戦略は、様々な実験評価を用いた他の最先端のMFベースモデルと比較して、MF性能を著しく改善したことが示された。私たちのメソッドのソースコードは以下の通りである。

関連論文リスト

TG-LLaVA: Text Guided LLaVA via Learnable Latent Embeddings [61.9257731511557]
視覚言語モデル(VLM)を最適化するためのテキストガイド付きLLaVA(TG-LLaVA)を提案する。学習可能な潜伏埋め込みをブリッジとして使用し、テキスト命令を分析し、視覚エンコーダに解析結果をガイダンスとして付加する。テキストのガイダンスによって、視覚エンコーダは、人間が質問を考えるとき、画像の最も関連性の高い部分に集中する方法と同様に、テキスト関連の特徴を抽出することができる。
論文参考訳（メタデータ） (2024-09-15T00:38:34Z)
Model Merging and Safety Alignment: One Bad Model Spoils the Bunch [70.614652904151]
LLM(Merging Large Language Models)は、複数の専門家のLLMを1つの汎用モデルに結合するコスト効率のよい手法である。現在のアプローチでは、マージ時の安全性の整合性の重要性を見落とし、非常に不整合のモデルに繋がることが多い。我々は,既存の手法がドメインの専門知識を伝達するだけでなく,ミスアライメントを伝播することを示すために,いくつかの一般的なモデルマージ手法を評価した。
論文参考訳（メタデータ） (2024-06-20T17:59:58Z)
Towards Explainable Collaborative Filtering with Taste Clusters Learning [43.4512681951459]
協調フィルタリング(CF)は、リコメンダシステムにおいて広く使われ、効果的な手法である。レコメンデーションモデルに説明可能性を追加することは、意思決定プロセスにおける信頼を高めるだけでなく、複数のメリットも得る。本稿では,解釈可能なクラスタ・ラーニングを生かした,クリーンで効果的なECF(Explainable Collaborative Filtering)モデルを提案する。
論文参考訳（メタデータ） (2023-04-27T03:08:15Z)
C2-CRS: Coarse-to-Fine Contrastive Learning for Conversational Recommender System [47.18484863699936]
本稿では,会話レコメンデータシステムのためのデータセマンティックフュージョンを改善するための,新しいコントラスト学習フレームワークを提案する。提案手法では,まず異なるデータ信号から多粒度意味単位を抽出し,次に,関連した多形意味単位を粗い方法で整列させる。 2つの公開CRSデータセットを用いた実験により,提案手法の有効性が示唆された。
論文参考訳（メタデータ） (2022-01-04T11:39:41Z)
MultiHead MultiModal Deep Interest Recommendation Network [0.0]
本稿ではDINciteAuthors01モデルにマルチヘッドおよびマルチモーダルモジュールを追加する。実験により、マルチヘッドマルチモーダルDINは推奨予測効果を向上し、様々な包括的指標において最先端の手法より優れていることが示された。
論文参考訳（メタデータ） (2021-10-19T18:59:02Z)
Reenvisioning Collaborative Filtering vs Matrix Factorization [65.74881520196762]
近年,行列因数分解に基づく協調フィルタリングモデルや,ニューラルネットワーク(ANN)を用いた類似性の学習が注目されている。推薦エコシステム内でのANNの発表が最近疑問視され、効率性と有効性に関していくつかの比較がなされている。本研究では,これらの手法が相補的評価次元に与える影響を解析しながら,超精度評価にもたらす可能性を示す。
論文参考訳（メタデータ） (2021-07-28T16:29:38Z)
A Comprehensive Review on Non-Neural Networks Collaborative Filtering Recommendation Systems [1.3124513975412255]
協調フィルタリング(CF)は、あるユーザグループの既知の好みを利用して、他のユーザの未知の好みに関する予測とレコメンデーションを行う。 1990年代に初めて導入され、様々なモデルが提案されている。多くの分野で機械学習技術の成功により、リコメンデーションシステムにおけるそのようなアルゴリズムの適用に重点が置かれている。
論文参考訳（メタデータ） (2021-06-20T11:13:33Z)
Efficient Data-specific Model Search for Collaborative Filtering [56.60519991956558]
協調フィルタリング(CF)はレコメンダシステムの基本的なアプローチである。本稿では,機械学習(AutoML)の最近の進歩を動機として,データ固有のCFモデルを設計することを提案する。ここでキーとなるのは、最先端(SOTA)のCFメソッドを統一し、それらを入力エンコーディング、埋め込み関数、インタラクション、予測関数の非結合ステージに分割する新しいフレームワークである。
論文参考訳（メタデータ） (2021-06-14T14:30:32Z)
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)
MetaDistiller: Network Self-Boosting via Meta-Learned Top-Down Distillation [153.56211546576978]
本研究では,ラベル生成器を用いて高い適合性を有するソフトターゲットを生成することを提案する。このラベルジェネレータを最適化するためにメタ学習技術を用いることができる。実験は CIFAR-100 と ILSVRC2012 の2つの標準分類ベンチマークで実施された。
論文参考訳（メタデータ） (2020-08-27T13:04:27Z)
Rich-Item Recommendations for Rich-Users: Exploiting Dynamic and Static Side Information [20.176329366180934]
ユーザや推奨項目が複数のエンティティタイプを持つリッチなデータ構造であるレコメンデーションシステムの問題について検討する。我々は、現代の現実世界のレコメンデーションの複雑さを捉えた問題に対する一般的な定式化を提供する。本稿では,我々の定式化とMEDRESアーキテクチャの2つの実世界のケーススタディを示す。
論文参考訳（メタデータ） (2020-01-28T17:53:38Z)

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。