論文の概要: Ordinal Non-negative Matrix Factorization for Recommendation

• arxiv url: http://arxiv.org/abs/2006.01034v4
• Date: Wed, 2 Sep 2020 14:29:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 06:23:31.553087
• Title: Ordinal Non-negative Matrix Factorization for Recommendation
• Title（参考訳）: 推薦のための順序的非負行列因子分解
• Authors: Olivier Gouvert, Thomas Oberlin and C\'edric F\'evotte
• Abstract要約: 我々は、OrdNMFと呼ばれる順序データに対する新しい非負行列分解法(NMF)を導入する。 OrdNMFはBernoulli-Poisson Factorization (BePoF)とPoisson Factorization (PF)を二項化データに適用する潜在因子モデルである。
• 参考スコア（独自算出の注目度）: 9.431454966446076
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a new non-negative matrix factorization (NMF) method for ordinal data, called OrdNMF. Ordinal data are categorical data which exhibit a natural ordering between the categories. In particular, they can be found in recommender systems, either with explicit data (such as ratings) or implicit data (such as quantized play counts). OrdNMF is a probabilistic latent factor model that generalizes Bernoulli-Poisson factorization (BePoF) and Poisson factorization (PF) applied to binarized data. Contrary to these methods, OrdNMF circumvents binarization and can exploit a more informative representation of the data. We design an efficient variational algorithm based on a suitable model augmentation and related to variational PF. In particular, our algorithm preserves the scalability of PF and can be applied to huge sparse datasets. We report recommendation experiments on explicit and implicit datasets, and show that OrdNMF outperforms BePoF and PF applied to binarized data.
• Abstract（参考訳）: 我々は、OrdNMFと呼ばれる順序データに対する新しい非負行列分解法(NMF)を導入する。 通常のデータはカテゴリ間の自然な順序を示す分類データである。 特に、明示的なデータ(レーティングなど)や暗黙のデータ(量子化されたプレイカウントなど)を持つレコメンダシステムで見ることができる。 OrdNMFはBernoulli-Poisson Factorization (BePoF)とPoisson Factorization (PF)を双項化データに適用した確率潜在因子モデルである。 これらの手法とは対照的に、OrdNMFはバイナライゼーションを回避し、データのより情報的な表現を利用することができる。 我々は,モデル拡張に基づく効率的な変分アルゴリズムを設計し,変分PFと関連付ける。 特に,本アルゴリズムはPFのスケーラビリティを保ち,巨大なスパースデータセットに適用することができる。 明示的および暗黙的なデータセットに関する推奨実験を報告し、OrdNMFが二項化データに適用したBePoFおよびPFより優れていることを示す。

関連論文リスト

• Coseparable Nonnegative Tensor Factorization With T-CUR Decomposition [2.013220890731494]
  非負行列因子化(NMF)は、データから意味のある特徴を抽出する重要な教師なし学習手法である。 本研究では,コセプタブルコアを選択するための交互選択法を提案する。 その結果, 分離可能なNMFと比較して, 分離可能なNTFの有効性が示された。
  論文  参考訳（メタデータ） (2024-01-30T09:22:37Z)
• Large-scale gradient-based training of Mixtures of Factor Analyzers [67.21722742907981]
  本稿では,勾配降下による高次元学習を効果的に行うための理論解析と新しい手法の両立に寄与する。 MFAトレーニングと推論/サンプリングは,学習終了後の行列逆変換を必要としない精度行列に基づいて行うことができることを示す。 理論解析と行列の他に,SVHNやMNISTなどの画像データセットにMFAを適用し,サンプル生成と外乱検出を行う能力を示す。
  論文  参考訳（メタデータ） (2023-08-26T06:12:33Z)
• Supervised Class-pairwise NMF for Data Representation and Classification [2.7320863258816512]
  非負行列分解(NMF)に基づく手法は、特定のタスクにモデルを適応させるためにコスト関数に新しい用語を追加する。 NMF法は、因子化行列を推定するための教師なしアプローチを採用する。
  論文  参考訳（メタデータ） (2022-09-28T04:33:03Z)
• Non-Negative Matrix Factorization with Scale Data Structure Preservation [23.31865419578237]
  本稿では,データ表現と次元縮小のために設計された非負行列分解法に属するモデルについて述べる。 この考え方は、NMFコスト関数に、元のデータポイントと変換されたデータポイントのペアの類似度行列のスケール関係を課すペナルティ項を追加することである。 提案したクラスタリングアルゴリズムは,既存のNMFベースのアルゴリズムや,実際のデータセットに適用した場合の多様体学習ベースのアルゴリズムと比較される。
  論文  参考訳（メタデータ） (2022-09-22T09:32:18Z)
• Log-based Sparse Nonnegative Matrix Factorization for Data Representation [55.72494900138061]
  非負の行列因子化(NMF)は、非負のデータを部品ベースの表現で表すことの有効性から、近年広く研究されている。 そこで本研究では,係数行列に対数ノルムを課した新しいNMF法を提案する。 提案手法のロバスト性を高めるために,$ell_2,log$-(pseudo) ノルムを新たに提案した。
  論文  参考訳（メタデータ） (2022-04-22T11:38:10Z)
• An Entropy Weighted Nonnegative Matrix Factorization Algorithm for Feature Representation [6.156004893556576]
  エントロピー重み付きNMF(EWNMF)と呼ばれる新しいタイプのNMFを提案する。 EWNMFは各データポイントの属性ごとに最適化可能な重みを使い、その重要性を強調する。 いくつかのデータセットによる実験結果から,提案手法の有効性と有効性を示した。
  論文  参考訳（メタデータ） (2021-11-27T23:37:20Z)
• Rank-R FNN: A Tensor-Based Learning Model for High-Order Data Classification [69.26747803963907]
  Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。 まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。 Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2021-04-11T16:37:32Z)
• Feature Weighted Non-negative Matrix Factorization [92.45013716097753]
  本稿では,FNMF(Feature weighted Non- negative Matrix Factorization)を提案する。 FNMFはその重要性に応じて特徴の重みを適応的に学習する。 提案する最適化アルゴリズムを用いて効率的に解くことができる。
  論文  参考訳（メタデータ） (2021-03-24T21:17:17Z)
• Entropy Minimizing Matrix Factorization [102.26446204624885]
  NMF(Nonnegative Matrix Factorization)は、広く使用されているデータ分析技術であり、多くの実際のタスクで印象的な結果をもたらしました。 本研究では,上述の問題に対処するために,EMMF (Entropy Minimizing Matrix Factorization framework) を開発した。 通常、外れ値が通常のサンプルよりもはるかに小さいことを考えると、行列分解のために新しいエントロピー損失関数が確立される。
  論文  参考訳（メタデータ） (2021-03-24T21:08:43Z)
• Self-supervised Symmetric Nonnegative Matrix Factorization [82.59905231819685]
  シンメトリー非負係数行列(SNMF)は、データクラスタリングの強力な方法であることを示した。 より良いクラスタリング結果を求めるアンサンブルクラスタリングにインスパイアされた,自己監視型SNMF(S$3$NMF)を提案する。 SNMFのコード特性に対する感度を、追加情報に頼らずに活用しています。
  論文  参考訳（メタデータ） (2021-03-02T12:47:40Z)
• Data embedding and prediction by sparse tropical matrix factorization [0.0]
  本研究では,sparse tropical matrix factorization (stmf) という手法を提案する。 その結果, STMF近似は非負行列分解よりも高い相関性が得られることがわかった。 STMFは、スパースデータにトロピカルセミリングを使用する最初の作品です。
  論文  参考訳（メタデータ） (2020-12-09T18:09:17Z)

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。