論文の概要: Joint Training Capsule Network for Cold Start Recommendation

• arxiv url: http://arxiv.org/abs/2005.11467v1
• Date: Sat, 23 May 2020 04:27:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 03:55:05.864827
• Title: Joint Training Capsule Network for Cold Start Recommendation
• Title（参考訳）: コールドスタート勧告のための合同訓練カプセルネットワーク
• Authors: Tingting Liang, Congying Xia, Yuyu Yin, Philip S. Yu
• Abstract要約: 本稿では,コールドスタート推薦タスクのための新しいニューラルネットワーク,ジョイントトレーニングカプセルネットワーク(JTCN)を提案する。 低レベルのインタラクション履歴から高レベルのユーザ嗜好を集約するために、注意深いカプセル層を提案する。 2つの公開データセットの実験では、提案モデルの有効性が示されている。
• 参考スコア（独自算出の注目度）: 64.35879555545749
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a novel neural network, joint training capsule network (JTCN), for the cold start recommendation task. We propose to mimic the high-level user preference other than the raw interaction history based on the side information for the fresh users. Specifically, an attentive capsule layer is proposed to aggregate high-level user preference from the low-level interaction history via a dynamic routing-by-agreement mechanism. Moreover, JTCN jointly trains the loss for mimicking the user preference and the softmax loss for the recommendation together in an end-to-end manner. Experiments on two publicly available datasets demonstrate the effectiveness of the proposed model. JTCN improves other state-of-the-art methods at least 7.07% for CiteULike and 16.85% for Amazon in terms of Recall@100 in cold start recommendation.
• Abstract（参考訳）: 本稿では,コールドスタート推薦タスクのための新しいニューラルネットワーク,ジョイントトレーニングカプセルネットワーク(JTCN)を提案する。 本稿では,新鮮ユーザ側情報に基づいて,インタラクション履歴以外の高レベルのユーザ嗜好を模倣することを提案する。 具体的には、動的ルーティング・バイ・アグリメント機構により、低レベルのインタラクション履歴から高レベルのユーザ嗜好を集約する。 さらに、JTCNは、ユーザの好みを模倣した損失と、推奨するソフトマックス損失をエンドツーエンドで共同でトレーニングする。 2つの公開データセットの実験では、提案モデルの有効性が示されている。 JTCNはコールスタートレコメンデーションにおいて、CiteULikeで少なくとも7.07%、Amazonで16.85%の他の最先端メソッドを改善している。

関連論文リスト

• Efficient and Robust Regularized Federated Recommendation [52.24782464815489]
  推薦システム(RSRS)は、ユーザの好みとプライバシの両方に対処する。 通信効率を向上させるために,非一様勾配勾配勾配を取り入れた新しい手法を提案する。 RFRecFの強靭性は、多様なベースラインに比べて優れている。
  論文  参考訳（メタデータ） (2024-11-03T12:10:20Z)
• A Social-aware Gaussian Pre-trained Model for Effective Cold-start Recommendation [25.850274659792305]
  グラフニューラルネットワーク(GNN)の事前学習段階におけるユーザ関係とインタラクションデータを符号化する新しい推薦モデルであるSGP(Social-Aware Gaussian Pre-trained Model)を提案する。 NDCG@10では,3つの公開データセットに対する実験の結果,SGPモデルは16の競争ベースラインと比較して,最大7.7%の精度で最高のベースラインを達成できた。 さらに,SGPは,特にユーザが友人の提案によってシステムに新規に登録する場合に,コールドスタート問題を効果的に軽減できることを示す。
  論文  参考訳（メタデータ） (2023-11-27T13:04:33Z)
• Semi-decentralized Federated Ego Graph Learning for Recommendation [58.21409625065663]
  デバイス上でのレコメンデーションのための半分散型フェデレーションエゴグラフ学習フレームワークであるSemiDFEGLを提案する。 提案するフレームワークはモデルに依存しないため、既存のグラフニューラルネットワークベースのレコメンデーションメソッドやプライバシ保護技術とシームレスに統合できる。
  論文  参考訳（メタデータ） (2023-02-10T03:57:45Z)
• Price DOES Matter! Modeling Price and Interest Preferences in Session-based Recommendation [55.0391061198924]
  セッションベースのレコメンデーションは、匿名ユーザが自分の短い行動シーケンスに基づいて購入したいアイテムを予測することを目的としている。 セッションベースのレコメンデーションの価格設定を組み込むのは簡単ではない。 セッションベースレコメンデーションのためのCoHHN(Co-guided Heterogeneous Hypergraph Network)を提案する。
  論文  参考訳（メタデータ） (2022-05-09T10:47:15Z)
• A Dynamic Meta-Learning Model for Time-Sensitive Cold-Start Recommendations [24.815498451832347]
  本稿では,過去にインタラクションがあったが,最近は比較的非アクティブなユーザに焦点を当てた,新しい動的レコメンデーションモデルを提案する。 近年のインタラクションが不足しているため、これらのユーザの現在の好みを正確に把握することは困難である。
  論文  参考訳（メタデータ） (2022-04-03T02:04:12Z)
• Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
  コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。 MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
  論文  参考訳（メタデータ） (2021-10-18T08:11:24Z)
• Zero Shot on the Cold-Start Problem: Model-Agnostic Interest Learning for Recommender Systems [0.0]
  2towerフレームワーク、すなわち、モデルに依存しない関心学習(MAIL)フレームワークは、推奨システムに対するコールドスタートレコメンデーション問題に対処するために提案される。 MAILはゼロショット視点からコールドスタートレコメンデーション問題に取り組み、他のタワーは一般的なランキングタスクに重点を置いている。 提案手法は,NetEase Cloud Musicのライブレコメンデーションシステムに実装され,数百万ユーザに対してクリックスルー率を13%から15%向上させることに成功した。
  論文  参考訳（メタデータ） (2021-08-31T02:41:19Z)
• Privileged Graph Distillation for Cold Start Recommendation [57.918041397089254]
  レコメンデーションシステムにおけるコールドスタートの問題は、歴史的相互作用の記録のない属性に基づいて新しいユーザー(イテム)に推奨することである。 特権グラフ蒸留モデル(PGD)を提案する。 提案手法は,新規ユーザ,新規ユーザ,新規ユーザを対象とする異なるコールドスタートシナリオに適用可能である。
  論文  参考訳（メタデータ） (2021-05-31T14:05:27Z)
• Cold-start Sequential Recommendation via Meta Learner [10.491428090228768]
  本研究では,逐次推薦における項目コールドスタート問題を軽減するために,メタラーニングに基づくコールドスタートシーケンシャルレコメンデーションフレームワーク,mecosを提案する。 mecosは限られたインタラクションからユーザの好みを効果的に抽出し、ターゲットのコールドスタートアイテムと潜在的なユーザとのマッチングを学ぶ。
  論文  参考訳（メタデータ） (2020-12-10T05:23:13Z)
• ColdGAN: Resolving Cold Start User Recommendation by using Generative Adversarial Networks [0.1529342790344802]
  我々は、この問題を解決するためにサイド情報を使用しない、エンドツーエンドのGANベースモデルであるColdGANを提案する。 提案手法は,最先端のレコメンデータに比べて性能が大幅に向上する。
  論文  参考訳（メタデータ） (2020-11-25T08:10:35Z)

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。