論文の概要: A Hybrid Approach to Enhance Pure Collaborative Filtering based on
Content Feature Relationship
- arxiv url: http://arxiv.org/abs/2005.08148v1
- Date: Sun, 17 May 2020 02:20:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 06:01:47.835258
- Title: A Hybrid Approach to Enhance Pure Collaborative Filtering based on
Content Feature Relationship
- Title(参考訳): コンテンツ特徴関係に基づく純粋協調フィルタリングのハイブリッド化
- Authors: Mohammad Maghsoudi Mehrabani, Hamid Mohayeji and Ali Moeini
- Abstract要約: 本稿では,自然言語処理領域であるWord2Vecから,コンテンツ特徴間の暗黙的な関係を抽出する手法を提案する。
次に、関連性を利用してアイテムのベクトル表現を決定する新しいコンテンツベースレコメンデーションシステムを提案する。
評価結果から,ユーザが選択した項目の選好を,純粋に協調的なフィルタリングと同等に予測できることが示唆された。
- 参考スコア(独自算出の注目度): 0.17188280334580192
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Recommendation systems get expanding significance because of their
applications in both the scholarly community and industry. With the development
of additional data sources and methods of extracting new information other than
the rating history of clients on items, hybrid recommendation algorithms, in
which some methods have usually been combined to improve performance, have
become pervasive. In this work, we first introduce a novel method to extract
the implicit relationship between content features using a sort of well-known
methods from the natural language processing domain, namely Word2Vec. In
contrast to the typical use of Word2Vec, we utilize some features of items as
words of sentences to produce neural feature embeddings, through which we can
calculate the similarity between features. Next, we propose a novel
content-based recommendation system that employs the relationship to determine
vector representations for items by which the similarity between items can be
computed (RELFsim). Our evaluation results demonstrate that it can predict the
preference a user would have for a set of items as good as pure collaborative
filtering. This content-based algorithm is also embedded in a pure item-based
collaborative filtering algorithm to deal with the cold-start problem and
enhance its accuracy. Our experiments on a benchmark movie dataset corroborate
that the proposed approach improves the accuracy of the system.
- Abstract(参考訳): 勧告システムは、学術的なコミュニティと産業の両方に応用されているため、重要性が増している。
アイテム上のクライアントのレーティング履歴以外の新しい情報を抽出するための追加のデータソースや方法の開発により、パフォーマンスを改善するためにいくつかの手法が組み合わされたハイブリッドレコメンデーションアルゴリズムが普及した。
本稿では,まず自然言語処理領域であるword2vecから,知名度の高い手法を用いて,コンテンツ特徴間の暗黙的関係を抽出する新しい手法を提案する。
Word2Vecの典型的な使用とは対照的に、いくつかの特徴を文の単語として利用してニューラル特徴埋め込みを生成し、特徴間の類似性を計算する。
次に,アイテム間の類似性を計算可能な項目のベクトル表現を決定するために,関係性を利用した新しいコンテンツベースレコメンデーションシステムを提案する(relfsim)。
評価結果から,ユーザが選択した項目の選好を,純粋に協調的なフィルタリングと同等に予測できることが示唆された。
このコンテンツベースアルゴリズムは、純粋なアイテムベースの協調フィルタリングアルゴリズムにも組み込まれ、コールドスタート問題に対処し、その精度を高める。
本実験は,提案手法がシステムの精度を向上させることを裏付けるものである。
関連論文リスト
- Efficient Retrieval with Learned Similarities [2.729516456192901]
最先端の検索アルゴリズムは、学習された類似点に移行した。
筆者らは,Mixture-of-Logits (MoL) が普遍近似であり,学習された類似度関数を全て表現できることを示した。
MoLはレコメンデーション検索タスクに新たな最先端結果を設定し、学習した類似性を持つ近似トップk検索は、最大2桁のレイテンシでベースラインを上回ります。
論文 参考訳(メタデータ) (2024-07-22T08:19:34Z) - Semantic-Enhanced Relational Metric Learning for Recommender Systems [27.330164862413184]
近年,知識グラフの翻訳機構に触発された推薦コミュニティにおいて,計量学習手法が注目されている。
本稿では,推薦システムにおける問題に対処するためのセマンティック拡張メトリックラーニングフレームワークを提案する。
具体的には、まず、豊富な特徴とパーソナライズされたユーザー嗜好を含む対象レビューから意味信号を抽出する。
次に、抽出した意味信号を利用して、新しい回帰モデルを設計し、元の関係に基づくトレーニングプロセスの識別能力を向上させる。
論文 参考訳(メタデータ) (2024-06-07T11:54:50Z) - Unifying Feature and Cost Aggregation with Transformers for Semantic and Visual Correspondence [51.54175067684008]
本稿では,高密度マッチングタスク用に設計されたTransformerベースの積分機能とコスト集約ネットワークを提案する。
まず, 特徴集約とコスト集約が異なる特徴を示し, 双方の集約プロセスの司法的利用から生じる実質的な利益の可能性を明らかにした。
本フレームワークは意味マッチングのための標準ベンチマークで評価され,また幾何マッチングにも適用された。
論文 参考訳(メタデータ) (2024-03-17T07:02:55Z) - Relation-aware Ensemble Learning for Knowledge Graph Embedding [68.94900786314666]
我々は,既存の手法を関係性に配慮した方法で活用し,アンサンブルを学習することを提案する。
関係認識アンサンブルを用いてこれらのセマンティクスを探索すると、一般的なアンサンブル法よりもはるかに大きな検索空間が得られる。
本稿では,リレーショナルなアンサンブル重みを独立に検索する分割探索合成アルゴリズムRelEns-DSCを提案する。
論文 参考訳(メタデータ) (2023-10-13T07:40:12Z) - Query Expansion Using Contextual Clue Sampling with Language Models [69.51976926838232]
本稿では,実効的なフィルタリング戦略と検索した文書の融合の組み合わせを,各文脈の生成確率に基づいて提案する。
我々の語彙マッチングに基づくアプローチは、よく確立された高密度検索モデルDPRと比較して、同様のトップ5/トップ20検索精度と上位100検索精度を実現する。
エンド・ツー・エンドのQAでは、読者モデルも我々の手法の恩恵を受けており、いくつかの競争基準に対してエクサクト・マッチのスコアが最も高い。
論文 参考訳(メタデータ) (2022-10-13T15:18:04Z) - Approximate Nearest Neighbor Search under Neural Similarity Metric for
Large-Scale Recommendation [20.42993976179691]
本稿では,任意のマッチング関数にANN探索を拡張する新しい手法を提案する。
我々の主な考えは、すべての項目から構築された類似性グラフに一致する関数で、欲張りのウォークを実行することである。
提案手法は,Taobaoのディスプレイ広告プラットフォームに完全に展開されており,広告収入の大幅な増加をもたらす。
論文 参考訳(メタデータ) (2022-02-14T07:55:57Z) - 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) - Nutribullets Hybrid: Multi-document Health Summarization [36.95954983680022]
本稿では,入力文書の類似性と矛盾を強調する比較要約を生成する手法を提案する。
私たちのフレームワークは、より忠実で関連性があり、集約に敏感な要約につながります。
論文 参考訳(メタデータ) (2021-04-08T01:44:29Z) - 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) - Predicting the Humorousness of Tweets Using Gaussian Process Preference
Learning [56.18809963342249]
本稿では,人間の嗜好判断と言語アノテーションの自動生成を利用して,短文のユーモラスさのランク付けと評価を学習する確率論的アプローチを提案する。
本研究は, HAHA@IberLEF 2019データにおける数値スコアの変換と, 提案手法に必要な判定アノテーションの相互変換から生じる問題点について報告する。
論文 参考訳(メタデータ) (2020-08-03T13:05:42Z) - Deep Learning feature selection to unhide demographic recommender
systems factors [63.732639864601914]
行列分解モデルは意味的知識を含まない因子を生成する。
DeepUnHideは、協調フィルタリングレコメンデータシステムにおいて、ユーザとアイテムファクタから、人口統計情報を抽出することができる。
論文 参考訳(メタデータ) (2020-06-17T17:36:48Z)
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。