論文の概要: Directional Multivariate Ranking

• arxiv url: http://arxiv.org/abs/2006.09978v1
• Date: Tue, 9 Jun 2020 22:43:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-23 14:35:52.276940
• Title: Directional Multivariate Ranking
• Title（参考訳）: 方向性多変量ランキング
• Authors: Nan Wang, Hongning Wang
• Abstract要約: 本稿では,多面的な項目の総合的なランク付けを可能にする指向性多面的ランク付け基準を提案する。 我々の重要な洞察は、2つの多アスペクト選好ベクトル間の差ベクトルの方向が、比較のペアの順序を明らかにすることである。
• 参考スコア（独自算出の注目度）: 39.81227580524465
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: User-provided multi-aspect evaluations manifest users' detailed feedback on the recommended items and enable fine-grained understanding of their preferences. Extensive studies have shown that modeling such data greatly improves the effectiveness and explainability of the recommendations. However, as ranking is essential in recommendation, there is no principled solution yet for collectively generating multiple item rankings over different aspects. In this work, we propose a directional multi-aspect ranking criterion to enable a holistic ranking of items with respect to multiple aspects. Specifically, we view multi-aspect evaluation as an integral effort from a user that forms a vector of his/her preferences over aspects. Our key insight is that the direction of the difference vector between two multi-aspect preference vectors reveals the pairwise order of comparison. Hence, it is necessary for a multi-aspect ranking criterion to preserve the observed directions from such pairwise comparisons. We further derive a complete solution for the multi-aspect ranking problem based on a probabilistic multivariate tensor factorization model. Comprehensive experimental analysis on a large TripAdvisor multi-aspect rating dataset and a Yelp review text dataset confirms the effectiveness of our solution.
• Abstract（参考訳）: ユーザが提供するマルチアスペクト評価は、推奨項目に対するユーザの詳細なフィードバックを示し、好みのきめ細かい理解を可能にする。 大規模な研究により、そのようなデータのモデリングは推奨の有効性と説明可能性を大幅に改善することが示された。 しかし、ランク付けは推奨に欠かせないため、様々な面で複数の項目をまとめてランク付けするための原則的な解決策はまだ存在しない。 本研究では,多面的な項目の総合的なランク付けを可能にする指向性多面的ランキング基準を提案する。 具体的には,マルチアスペクト評価を,アスペクトに対する好みのベクトルを形成するユーザによる統合的な取り組みとみなす。 我々の重要な洞察は、2つの多重スペクトルの選好ベクトル間の差ベクトルの方向が対方向に比較の順序を示すことである。 したがって、このようなペア比較から観測方向を保存するためには、多視点ランキング基準が必要である。 さらに,確率的多変量テンソル因子分解モデルに基づく多変量ランキング問題に対する完全解を導出する。 大規模なtripadvisor multi-aspect rating datasetとyelp review text datasetの包括的な実験分析により,このソリューションの有効性を確認した。

関連論文リスト

• Improving One-class Recommendation with Multi-tasking on Various Preference Intensities [1.8416014644193064]
  一流のレコメンデーションでは、ユーザの暗黙のフィードバックに基づいてレコメンデーションを行う必要があります。 暗黙的なフィードバックから各信号の様々な好み強度を考慮に入れたマルチタスクフレームワークを提案する。 提案手法は,3つの大規模実世界のベンチマークデータセットに対して,最先端の手法よりも大きなマージンで性能を向上する。
  論文  参考訳（メタデータ） (2024-01-18T18:59:55Z)
• Preference Inference from Demonstration in Multi-objective Multi-agent Decision Making [0.0]
  本稿では,最適あるいは準最適のいずれかから線形選好重みを推定するアルゴリズムを提案する。 実験結果から, ベースラインアルゴリズムと比較して有意な改善が得られた。 今後,マルチエージェントシステムにおけるアルゴリズムの有効性を評価することを計画している。
  論文  参考訳（メタデータ） (2023-04-27T12:19:28Z)
• Disentangled Representation for Diversified Recommendations [41.477162048806434]
  正確性と多様性は、リコメンデーションの2つの相反する目標だと考えられてきた。 本稿では,推薦アルゴリズムの選択に依存しない一般的な多様化フレームワークを提案する。 我々のソリューションは、レコメンデーションモジュールの学習したユーザ表現を、カテゴリに依存しない、カテゴリに依存しないコンポーネントに切り離します。
  論文  参考訳（メタデータ） (2023-01-13T11:47:10Z)
• Reenvisioning Collaborative Filtering vs Matrix Factorization [65.74881520196762]
  近年,行列因数分解に基づく協調フィルタリングモデルや,ニューラルネットワーク(ANN)を用いた類似性の学習が注目されている。 推薦エコシステム内でのANNの発表が最近疑問視され、効率性と有効性に関していくつかの比較がなされている。 本研究では,これらの手法が相補的評価次元に与える影響を解析しながら,超精度評価にもたらす可能性を示す。
  論文  参考訳（メタデータ） (2021-07-28T16:29:38Z)
• Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback based Recommendation [59.183016033308014]
  本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。 提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
  論文  参考訳（メタデータ） (2021-05-16T08:06:22Z)
• Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
  グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。 1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。 各種データセットを用いた実験により,提案手法が最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-11T03:25:25Z)
• A Differentiable Ranking Metric Using Relaxed Sorting Operation for Top-K Recommender Systems [1.2617078020344619]
  推薦システムは、項目の選好スコアを計算し、スコアに応じて項目をソートし、上位K項目を高いスコアでフィルタリングすることで、パーソナライズされたレコメンデーションを生成する。 このレコメンデーション手順にはソートやランキング項目が不可欠ですが、エンドツーエンドのモデルトレーニングのプロセスにそれらを組み込むのは簡単ではありません。 これにより、既存の学習目標とレコメンデータのランキングメトリクスの矛盾が生じる。 本稿では,この不整合を緩和し,ランキングメトリクスの微分緩和を利用してレコメンデーション性能を向上させるDRMを提案する。
  論文  参考訳（メタデータ） (2020-08-30T10:57:33Z)
• Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
  逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。 当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
  論文  参考訳（メタデータ） (2020-05-21T12:28:59Z)
• SetRank: A Setwise Bayesian Approach for Collaborative Ranking from Implicit Feedback [50.13745601531148]
  提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。 具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。 また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
  論文  参考訳（メタデータ） (2020-02-23T06:40:48Z)

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。