論文の概要: RNE: A Scalable Network Embedding for Billion-scale Recommendation
- arxiv url: http://arxiv.org/abs/2003.07158v2
- Date: Thu, 9 Apr 2020 06:47:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-24 20:52:51.057137
- Title: RNE: A Scalable Network Embedding for Billion-scale Recommendation
- Title（参考訳）: RNE: 数十億ドル規模のレコメンデーションのためのスケーラブルなネットワーク埋め込み
- Authors: Jianbin Lin, Daixin Wang, Lu Guan, Yin Zhao, Binqiang Zhao, Jun Zhou,
Xiaolong Li, and Yuan Qi
- Abstract要約: データ効率のよいレコメンデーションベースのネットワーク埋め込み手法であるRNEを提案し、ユーザに対してパーソナライズされた多様なアイテムを提供する。
一方,提案手法は,ユーザの関心の多様性と動的特性をモデル化し,推薦品質を高めるとともに,ユーザとアイテム間の局所的な構造を維持できる。
当社は、中国最大のEコマースプラットフォームであるTaobaoのレコメンデーションシナリオにRNEをデプロイし、それを10億規模のユーザテムグラフでトレーニングしています。
- 参考スコア（独自算出の注目度）: 21.6366085346674
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Nowadays designing a real recommendation system has been a critical problem
for both academic and industry. However, due to the huge number of users and
items, the diversity and dynamic property of the user interest, how to design a
scalable recommendation system, which is able to efficiently produce effective
and diverse recommendation results on billion-scale scenarios, is still a
challenging and open problem for existing methods. In this paper, given the
user-item interaction graph, we propose RNE, a data-efficient
Recommendation-based Network Embedding method, to give personalized and diverse
items to users. Specifically, we propose a diversity- and dynamics-aware
neighbor sampling method for network embedding. On the one hand, the method is
able to preserve the local structure between the users and items while modeling
the diversity and dynamic property of the user interest to boost the
recommendation quality. On the other hand the sampling method can reduce the
complexity of the whole method theoretically to make it possible for
billion-scale recommendation. We also implement the designed algorithm in a
distributed way to further improves its scalability. Experimentally, we deploy
RNE on a recommendation scenario of Taobao, the largest E-commerce platform in
China, and train it on a billion-scale user-item graph. As is shown on several
online metrics on A/B testing, RNE is able to achieve both high-quality and
diverse results compared with CF-based methods. We also conduct the offline
experiments on Pinterest dataset comparing with several state-of-the-art
recommendation methods and network embedding methods. The results demonstrate
that our method is able to produce a good result while runs much faster than
the baseline methods.
- Abstract（参考訳）: 近年,学術と産業の両方において,レコメンデーションシステムの設計が重要な課題となっている。
しかし,ユーザや項目の多様さ,ユーザの関心事の多様性や動的な性質,数十億規模のシナリオにおいて効果的かつ多様なレコメンデーション結果を効率よく生成できるスケーラブルなレコメンデーションシステムを設計する方法は,既存の手法では依然として困難かつオープンな問題である。
本稿では,ユーザとユーザのインタラクショングラフから,データ効率の高いレコメンデーションベースのNetwork Embedding法であるRNEを提案し,ユーザに対してパーソナライズされた多様なアイテムを提供する。
具体的には,ネットワーク埋め込みのための多様性とダイナミックスを考慮した近傍サンプリング手法を提案する。
一方,提案手法は,ユーザの関心の多様性と動的特性をモデル化し,推薦品質を高めるとともに,ユーザとアイテム間の局所的な構造を維持できる。
一方, サンプリング法は理論上, 全手法の複雑さを低減し, 数十億の推薦が可能となる。
また,設計したアルゴリズムを分散的に実装し,スケーラビリティをさらに向上させる。
実験的に、中国最大のEコマースプラットフォームであるTaobaoのレコメンデーションシナリオにRNEをデプロイし、それを10億規模のユーザテムグラフでトレーニングします。
A/Bテストに関するいくつかのオンラインメトリクスで示されているように、RNEはCFベースの手法と比較して高品質で多様な結果を得ることができる。
また,pinterestデータセット上で,最先端のレコメンデーション手法とネットワーク埋め込み手法を比較してオフライン実験を行った。
その結果,本手法はベースライン法よりも高速に動作しながら,良好な結果が得られることが示された。
関連論文リスト
- Unleashing the Potential of Multi-Channel Fusion in Retrieval for Personalized Recommendations [33.79863762538225]
Recommender System(RS)の重要な課題は、大量のアイテムプールを効率的に処理して、厳格なレイテンシ制約の下で高度にパーソナライズされたレコメンデーションを提供することだ。
本稿では,各チャネルに最適化された重みを割り当てることで,先進的なチャネル融合戦略を検討する。
当社の手法はパーソナライズと柔軟性を両立させ,複数のデータセット間で大幅なパフォーマンス向上を実現し,現実のデプロイメントにおいて大きな成果を上げている。
論文 参考訳（メタデータ） (2024-10-21T14:58:38Z) - Evaluating Ensemble Methods for News Recommender Systems [50.90330146667386]
本稿では,Microsoft News データセット (MIND) において,様々な最先端アルゴリズムを組み合わさって優れた結果を得るために,アンサンブル手法をどのように利用できるかを示す。
その結果,NRSアルゴリズムの組み合わせは,基礎学習者が十分に多様であることから,個々のアルゴリズムよりも優れていることがわかった。
論文 参考訳（メタデータ） (2024-06-23T13:40:50Z) - Mirror Gradient: Towards Robust Multimodal Recommender Systems via
Exploring Flat Local Minima [54.06000767038741]
フラットローカルミニマの新しい視点からマルチモーダルリコメンデータシステムの解析を行う。
我々はミラーグラディエント(MG)と呼ばれる簡潔で効果的な勾配戦略を提案する。
提案したMGは、既存の堅牢なトレーニング手法を補完し、多様な高度なレコメンデーションモデルに容易に拡張できることが判明した。
論文 参考訳（メタデータ） (2024-02-17T12:27:30Z) - Optimizing Solution-Samplers for Combinatorial Problems: The Landscape
of Policy-Gradient Methods [52.0617030129699]
本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。
我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。
本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
論文 参考訳（メタデータ） (2023-10-08T23:39:38Z) - Interactive Graph Convolutional Filtering [79.34979767405979]
インタラクティブ・レコメンダ・システム(IRS)は、パーソナライズされた記事レコメンデーション、ソーシャルメディア、オンライン広告など、さまざまな領域でますます利用されている。
これらの問題は、コールドスタート問題とデータスポーサリティ問題によって悪化する。
既存のMulti-Armed Bandit手法は、慎重に設計された探査戦略にもかかわらず、しばしば初期の段階で満足な結果を提供するのに苦労する。
提案手法は,ユーザとアイテム間の協調フィルタリング性能を向上させるため,協調フィルタリングをグラフモデルに拡張する。
論文 参考訳（メタデータ） (2023-09-04T09:02:31Z) - Towards Universal Sequence Representation Learning for Recommender
Systems [98.02154164251846]
我々はUniSRecという新しいユニバーサルシーケンス表現学習手法を提案する。
提案手法は、項目の関連記述テキストを用いて、異なる推薦シナリオ間で転送可能な表現を学習する。
我々のアプローチは、パラメータ効率のよい方法で、新しいレコメンデーションドメインやプラットフォームに効果的に移行できます。
論文 参考訳（メタデータ） (2022-06-13T07:21:56Z) - GHRS: Graph-based Hybrid Recommendation System with Application to Movie
Recommendation [0.0]
本稿では,ユーザのレーティングの類似性に関連するグラフベースモデルを用いたレコメンデータシステムを提案する。
オートエンコーダの特徴抽出の利点を生かして,全ての属性を組み合わせて新しい特徴を抽出する。
The experimental results on the MovieLens dataset shows that the proposed algorithm developed many existing recommendation algorithm on recommendation accuracy。
論文 参考訳（メタデータ） (2021-11-06T10:47:45Z) - Sample-Rank: Weak Multi-Objective Recommendations Using Rejection
Sampling [0.5156484100374059]
本稿では,マルチゴールサンプリングとユーザ関連度(Sample-Rank)のランク付けによるマーケットプレースの多目的目標への推薦手法を提案する。
提案手法の新規性は,望まれるマルチゴール分布からサンプリングするMOレコメンデーション問題を低減し,プロダクションフレンドリーな学習-ランクモデルを構築することである。
論文 参考訳（メタデータ） (2020-08-24T09:17:18Z) - PinnerSage: Multi-Modal User Embedding Framework for Recommendations at
Pinterest [54.56236567783225]
PinnerSageはエンド・ツー・エンドのレコメンデーションシステムで、マルチモーダル・埋め込みを通じて各ユーザーを表現する。
オフラインおよびオンラインA/B実験を複数実施し,本手法が単一埋め込み法より有意に優れていることを示す。
論文 参考訳（メタデータ） (2020-07-07T17:13:20Z) - Recommendation system using a deep learning and graph analysis approach [1.2183405753834562]
本稿では,行列係数化とグラフ解析に基づく新しい推薦手法を提案する。
さらに,ディープオートエンコーダを利用してユーザやアイテムの潜伏要因を初期化し,ディープ埋め込み手法によってユーザの潜伏要因をユーザ信頼グラフから収集する。
論文 参考訳（メタデータ） (2020-04-17T08:05:33Z) - Deep Multi-View Enhancement Hashing for Image Retrieval [40.974719473643724]
本稿では,ニューラルネットワークによるマルチビュー情報の強化が可能な教師付きマルチビューハッシュモデルを提案する。
提案手法は, CIFAR-10, NUS-WIDE, MS-COCOデータセットを用いて, システム評価を行った。
論文 参考訳（メタデータ） (2020-02-01T08:32:27Z)
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。