論文の概要: Transfer Learning via Contextual Invariants for One-to-Many Cross-Domain Recommendation

• arxiv url: http://arxiv.org/abs/2005.10473v1
• Date: Thu, 21 May 2020 05:51:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 23:03:50.076290
• Title: Transfer Learning via Contextual Invariants for One-to-Many Cross-Domain Recommendation
• Title（参考訳）: 1対1のクロスドメイン勧告に対する文脈不変性による伝達学習
• Authors: Adit Krishnan, Mahashweta Das, Mangesh Bendre, Hao Yang, Hari Sundaram
• Abstract要約: 我々は、クロスドメイン学習のためのスケーラブルなニューラルネットワーク層トランスファーアプローチを開発した。 我々の重要な直感は、高密度領域とスパース領域で共有されるドメイン不変成分によるニューラルコラボレーティブフィルタリングを導くことです。 2つのパブリックデータセットと、Visaの大規模トランザクションデータセットに対して、我々のアプローチの有効性とスケーラビリティを示す。
• 参考スコア（独自算出の注目度）: 19.106717948585445
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid proliferation of new users and items on the social web has aggravated the gray-sheep user/long-tail item challenge in recommender systems. Historically, cross-domain co-clustering methods have successfully leveraged shared users and items across dense and sparse domains to improve inference quality. However, they rely on shared rating data and cannot scale to multiple sparse target domains (i.e., the one-to-many transfer setting). This, combined with the increasing adoption of neural recommender architectures, motivates us to develop scalable neural layer-transfer approaches for cross-domain learning. Our key intuition is to guide neural collaborative filtering with domain-invariant components shared across the dense and sparse domains, improving the user and item representations learned in the sparse domains. We leverage contextual invariances across domains to develop these shared modules, and demonstrate that with user-item interaction context, we can learn-to-learn informative representation spaces even with sparse interaction data. We show the effectiveness and scalability of our approach on two public datasets and a massive transaction dataset from Visa, a global payments technology company (19% Item Recall, 3x faster vs. training separate models for each domain). Our approach is applicable to both implicit and explicit feedback settings.
• Abstract（参考訳）: ソーシャルウェブ上の新規ユーザーやアイテムの急速な増加は、レコメンダシステムにおけるグレイシープユーザー/ロングテールアイテムチャレンジを悪化させた。 歴史的に、クロスドメインのコクラスタリング手法は、推論品質を改善するために、密でまばらなドメインにわたる共有ユーザやアイテムの活用に成功している。 しかし、それらは共有レーティングデータに依存しており、複数のスパースターゲットドメイン(すなわち1対多の転送設定)にスケールできない。 これは、ニューラルネットワークレコメンデータアーキテクチャの採用の増加と相まって、クロスドメイン学習のためのスケーラブルなニューラルネットワーク層トランスファーアプローチを開発する動機となります。 私たちの重要な直感は、密度の高い領域とスパースドメインで共有されるドメイン不変のコンポーネントによるニューラルネットワークの協調フィルタリングをガイドし、スパースドメインで学んだユーザとアイテム表現を改善することです。 これらの共有モジュールを開発するために、ドメイン間の文脈的不変性を利用し、ユーザ-テーマ間インタラクションコンテキストを用いて、スパースなインタラクションデータであっても、インフォメーション表現空間を学習・学習できることを実証する。 グローバル決済技術企業visa(アイテムリコール19%、各ドメインの個別モデルをトレーニングするよりも3倍高速)による大規模トランザクションデータセットと2つのパブリックデータセットに対するアプローチの有効性と拡張性を示す。 このアプローチは暗黙のフィードバック設定と明示的なフィードバック設定の両方に適用できる。

関連論文リスト

• Mixed Attention Network for Cross-domain Sequential Recommendation [63.983590953727386]
  ドメイン固有・クロスドメイン情報を抽出するために,ローカル・グローバル・アテンション・モジュールを用いた混在注意ネットワーク(MAN)を提案する。 2つの実世界のデータセットに対する実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2023-11-14T16:07:16Z)
• Self-Supervised Interest Transfer Network via Prototypical Contrastive Learning for Recommendation [32.565226710636615]
  クロスドメイン・レコメンデーションは近年、産業やアカデミックから注目を集めている。 自己監督的関心伝達ネットワーク(SITN)を用いたクロスドメインレコメンデーション手法を提案する。 1)インスタンス間コントラスト学習,2)インスタンス間コントラスト学習,である。 我々は,世界有数のeコマース企業から収集した公開データセットと大規模産業データセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-02-28T09:30:24Z)
• Exploiting Graph Structured Cross-Domain Representation for Multi-Domain Recommendation [71.45854187886088]
  マルチドメインレコメンデータシステムは、クロスドメイン表現学習とポジティブな知識伝達の恩恵を受ける。 我々はMAGRecと呼ばれる手法のコンテキスト情報として時間的ドメイン内相互作用とドメイン間相互作用を用いる。 我々は、MAGRecが最先端の手法を一貫して上回る様々なシナリオで、公開データセットで実験を行う。
  論文  参考訳（メタデータ） (2023-02-12T19:51:32Z)
• Diverse Preference Augmentation with Multiple Domains for Cold-start Recommendations [92.47380209981348]
  メタラーニングをベースとした多元的ドメインを用いた多元的推論拡張フレームワークを提案する。 我々は、疎結合の場合の過度な適合を扱うために、新しい関心領域において多様な評価を生成する。 これらの評価は、選好メタラーナーを学ぶためのメタトレーニング手順に導入され、優れた一般化能力が得られる。
  論文  参考訳（メタデータ） (2022-04-01T10:10:50Z)
• Adaptive Methods for Aggregated Domain Generalization [26.215904177457997]
  多くの設定において、プライバシに関する懸念は、トレーニングデータサンプルのドメインラベルを取得することを禁止している。 本稿では,この問題に対するドメイン適応的アプローチを提案する。 提案手法は,ドメインラベルを使わずに,様々な領域一般化ベンチマークにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-12-09T08:57:01Z)
• Dual Metric Learning for Effective and Efficient Cross-Domain Recommendations [85.6250759280292]
  クロスドメインレコメンダーシステムは、消費者が異なるアプリケーションで有用なアイテムを識別するのを助けるためにますます価値があります。 既存のクロスドメインモデルは、通常、多くのオーバーラップユーザーを必要とするため、いくつかのアプリケーションでは取得が困難である。 本稿では,2つのドメイン間で情報を反復的に伝達する二元学習に基づく新しいクロスドメインレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2021-04-17T09:18:59Z)
• Learning to Combine: Knowledge Aggregation for Multi-Source Domain Adaptation [56.694330303488435]
  マルチソースドメイン適応(LtC-MSDA)フレームワークを併用する学習法を提案する。 簡単に言うと、知識グラフは様々なドメインのプロトタイプ上に構築され、セマンティックに隣接した表現間の情報伝達を実現する。 我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2020-07-17T07:52:44Z)
• Dynamic Fusion Network for Multi-Domain End-to-end Task-Oriented Dialog [70.79442700890843]
  本稿では,対象ドメインと各ドメインの関連性を自動的に活用する新しい動的核融合ネットワーク(DF-Net)を提案する。 トレーニングデータが少ないと、平均13.9%の事前最良モデルを上回り、転送可能性を示す。
  論文  参考訳（メタデータ） (2020-04-23T08:17:22Z)

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。