論文の概要: Multi-Feature Discrete Collaborative Filtering for Fast Cold-start Recommendation

• arxiv url: http://arxiv.org/abs/2003.10719v1
• Date: Tue, 24 Mar 2020 08:55:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-20 09:45:38.397395
• Title: Multi-Feature Discrete Collaborative Filtering for Fast Cold-start Recommendation
• Title（参考訳）: 高速コールドスタートレコメンデーションのための多機能離散協調フィルタ
• Authors: Yang Xu, Lei Zhu, Zhiyong Cheng, Jingjing Li, Jiande Sun
• Abstract要約: 我々はMFDCF(Multi-Feature Discrete Collaborative Filtering)と呼ばれる高速コールドスタートレコメンデーション手法を提案する。 具体的には、低ランクな自己重み付き多機能融合モジュールは、複数のコンテンツ機能をバイナリハッシュコードに適応的に投影するように設計されている。 MFDCFは様々な面において最先端よりも優れています。
• 参考スコア（独自算出の注目度）: 31.69262747122024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hashing is an effective technique to address the large-scale recommendation problem, due to its high computation and storage efficiency on calculating the user preferences on items. However, existing hashing-based recommendation methods still suffer from two important problems: 1) Their recommendation process mainly relies on the user-item interactions and single specific content feature. When the interaction history or the content feature is unavailable (the cold-start problem), their performance will be seriously deteriorated. 2) Existing methods learn the hash codes with relaxed optimization or adopt discrete coordinate descent to directly solve binary hash codes, which results in significant quantization loss or consumes considerable computation time. In this paper, we propose a fast cold-start recommendation method, called Multi-Feature Discrete Collaborative Filtering (MFDCF), to solve these problems. Specifically, a low-rank self-weighted multi-feature fusion module is designed to adaptively project the multiple content features into binary yet informative hash codes by fully exploiting their complementarity. Additionally, we develop a fast discrete optimization algorithm to directly compute the binary hash codes with simple operations. Experiments on two public recommendation datasets demonstrate that MFDCF outperforms the state-of-the-arts on various aspects.
• Abstract（参考訳）: ハッシュ処理は,アイテムに対するユーザの好みの計算において高い計算能力とストレージ効率を有するため,大規模レコメンデーション問題に対処する効果的な手法である。 しかしながら、既存のハッシュベースのレコメンデーションメソッドには、2つの重要な問題がある。 1)レコメンデーションプロセスは主にユーザとイテムのインタラクションと単一コンテンツ機能に依存している。 インタラクション履歴やコンテンツ機能が利用できない場合(コールドスタート問題)、そのパフォーマンスは著しく悪化する。 2) 既存の手法では, 最適化を緩和したハッシュ符号を学習したり, 個別座標降下法を用いてバイナリハッシュ符号を直接解いたりすることで, 量子化損失や計算時間を大幅に削減することができる。 本稿では,これらの問題を解決するために,MFDCF(Multi-Feature Discrete Collaborative Filtering)と呼ばれる高速コールドスタートレコメンデーション手法を提案する。 具体的には、低ランクな自己重み付き多機能融合モジュールは、その相補性を十分に活用することにより、複数のコンテンツ機能をバイナリに適応的に投影するように設計されている。 さらに,簡単な操作でバイナリハッシュコードを直接計算する高速離散最適化アルゴリズムを開発した。 2つのパブリックレコメンデーションデータセットの実験では、MFDCFは様々な面において最先端よりも優れています。

関連論文リスト

• Fast Asymmetric Factorization for Large Scale Multiple Kernel Clustering [5.21777096853979]
  マルチカーネルクラスタリング(MKC)は、クラスタリングのための複数のベースカーネルからの情報の融合を可能にするソリューションとして登場した。 本稿では,局所回帰にインスパイアされた新しいスパースカーネル行列を構築し,メモリ効率を実現するための効率的な多重カーネル概念因子化(EMKCF)を提案する。
  論文  参考訳（メタデータ） (2024-05-26T06:29:12Z)
• Asymmetric Scalable Cross-modal Hashing [51.309905690367835]
  クロスモーダルハッシュは、大規模なマルチメディア検索問題を解決する方法として成功している。 これらの問題に対処する新しい非対称スケーラブルクロスモーダルハッシュ(ASCMH)を提案する。 我々のASCMHは、最先端のクロスモーダルハッシュ法よりも精度と効率の点で優れています。
  論文  参考訳（メタデータ） (2022-07-26T04:38:47Z)
• HCFRec: Hash Collaborative Filtering via Normalized Flow with Structural Consensus for Efficient Recommendation [23.73674947905047]
  ハッシュベースのコラボレーティブフィルタリング(Hash-CF)アプローチでは、学習したユーザとアイテムのバイナリ表現の効率的なハミング距離を使用してレコメンデーションを加速する。 我々は,Hash-CFアプローチを効果的かつ効率的なレコメンデーションのために提案するHCFRecを提案する。
  論文  参考訳（メタデータ） (2022-05-24T12:51:52Z)
• Broad Recommender System: An Efficient Nonlinear Collaborative Filtering Approach [56.12815715932561]
  我々はBroad Collaborative Filtering (BroadCF)と呼ばれる新しい広帯域リコメンデータシステムを提案する。 深層ニューラルネットワーク(DNN)の代わりに、ユーザとアイテム間の複雑な非線形関係を学習するためのマッピング機能として、Broad Learning System(BLS)が使用されている。 7つのベンチマークデータセットで実施された大規模な実験により、提案したBroadCFアルゴリズムの有効性が確認された。
  論文  参考訳（メタデータ） (2022-04-20T01:25:08Z)
• BanditMF: Multi-Armed Bandit Based Matrix Factorization Recommender System [0.0]
  マルチアーム・バンディット(MAB)は、探索と搾取のバランスをとるために原則化されたオンライン学習アプローチを提供する。 協調フィルタリング(CF)は、おそらく推奨システムにおいて最も早く、最も影響力のある手法である。 BanditMFは、マルチアームバンディットアルゴリズムと協調フィルタリングの2つの課題に対処するように設計されている。
  論文  参考訳（メタデータ） (2021-06-21T07:35:39Z)
• A non-alternating graph hashing algorithm for large scale image search [5.221613241320111]
  本稿では,問題に追加変数を付加しないスペクトルハッシュのための新しい緩和定式化を提案する。 変数の数がデータポイントと等しい元のスペースの問題を解決する代わりに、我々ははるかに小さなスペースで問題を解決します。 このトリックは、メモリと計算の複雑さを同時に軽減します。
  論文  参考訳（メタデータ） (2020-12-24T06:41:54Z)
• 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)
• Deep Momentum Uncertainty Hashing [65.27971340060687]
  我々は,新しいDeep Momentum Uncertainity Hashing (DMUH)を提案する。 トレーニング中の不確実性を明示的に推定し、不確実性情報を利用して近似過程を導出する。 提案手法は,すべてのデータセット上で最高の性能を達成し,既存の最先端手法を大きなマージンで超越する。
  論文  参考訳（メタデータ） (2020-09-17T01:57:45Z)
• Deep Hashing with Hash-Consistent Large Margin Proxy Embeddings [65.36757931982469]
  画像ハッシュコードは、分類または検索のために訓練された畳み込みニューラルネットワーク(CNN)の埋め込みをバイナライズすることによって生成される。 この曖昧さを解消するために、固定されたプロキシ(CNN分類層の重み)の使用が提案されている。 得られたHCLMプロキシはハッシュ単位の飽和を促進することが示され、小さな二項化誤差が保証される。
  論文  参考訳（メタデータ） (2020-07-27T23:47:43Z)
• Learning to Hash with Graph Neural Networks for Recommender Systems [103.82479899868191]
  グラフ表現学習は、大規模に高品質な候補探索をサポートすることに多くの注目を集めている。 ユーザ・イテム相互作用ネットワークにおけるオブジェクトの埋め込みベクトルの学習の有効性にもかかわらず、連続的な埋め込み空間におけるユーザの好みを推測する計算コストは膨大である。 連続的かつ離散的なコードとを協調的に学習するための,単純かつ効果的な離散表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-04T06:59:56Z)

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。