論文の概要: Convolutional Gaussian Embeddings for Personalized Recommendation with
Uncertainty
- arxiv url: http://arxiv.org/abs/2006.10932v1
- Date: Fri, 19 Jun 2020 02:10:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-19 04:14:00.393514
- Title: Convolutional Gaussian Embeddings for Personalized Recommendation with
Uncertainty
- Title(参考訳): 不確実性を考慮したパーソナライズレコメンデーションのための畳み込みガウス埋め込み
- Authors: Junyang Jiang and Deqing Yang and Yanghua Xiao and Chenlu Shen
- Abstract要約: 既存の埋め込みベースのレコメンデーションモデルは、低次元空間における単一の固定点に対応する埋め込みを使用する。
本稿では,不確実な嗜好に適応することが証明されたガウス埋め込みを用いた統合された深層推薦フレームワークを提案する。
本フレームワークでは,モンテカルロサンプリングと畳み込みニューラルネットワークを用いて,対象ユーザと候補項目の相関関係を計算する。
- 参考スコア(独自算出の注目度): 17.258674767363345
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most of existing embedding based recommendation models use embeddings
(vectors) corresponding to a single fixed point in low-dimensional space, to
represent users and items. Such embeddings fail to precisely represent the
users/items with uncertainty often observed in recommender systems. Addressing
this problem, we propose a unified deep recommendation framework employing
Gaussian embeddings, which are proven adaptive to uncertain preferences
exhibited by some users, resulting in better user representations and
recommendation performance. Furthermore, our framework adopts Monte-Carlo
sampling and convolutional neural networks to compute the correlation between
the objective user and the candidate item, based on which precise
recommendations are achieved. Our extensive experiments on two benchmark
datasets not only justify that our proposed Gaussian embeddings capture the
uncertainty of users very well, but also demonstrate its superior performance
over the state-of-the-art recommendation models.
- Abstract(参考訳): 既存の埋め込みベースのレコメンデーションモデルのほとんどは、ユーザとアイテムを表現するために、低次元空間内の1つの不動点に対応する埋め込み(ベクトル)を使用する。
このような埋め込みは、レコメンダシステムでしばしば見られる不確実性を持つユーザ/テーマを正確に表現することができない。
この問題に対処するため,ユーザによって提示される不確実な嗜好に適応することが証明され,ユーザ表現やレコメンデーション性能が向上するガウス埋め込みを用いた統合された深層推薦フレームワークを提案する。
さらに,本フレームワークでは,モンテカルロサンプリングと畳み込みニューラルネットワークを用いて,対象ユーザと候補項目の相関関係を,正確なレコメンデーションに基づいて計算する。
2つのベンチマークデータセットに関する広範な実験は、提案するガウス埋め込みがユーザの不確実性を非常によく捉えているだけでなく、最先端のレコメンデーションモデルよりも優れたパフォーマンスを示していることを正当化します。
関連論文リスト
- Towards a Theoretical Understanding of Two-Stage Recommender Systems [0.5439020425819]
プロダクショングレードのレコメンダシステムは、Netflix、Pinterest、Amazonなど、オンラインメディアサービスで使用されている大規模なコーパスに大きく依存している。
最適なレコメンデータシステムに強い収束をもたらす2段階レコメンデータの挙動について検討する。
本研究では,2段階のレコメンデータが,商品の属性や属性が評価に与える影響をカプセル化できることを数値的に示す。
論文 参考訳(メタデータ) (2024-02-23T21:11:55Z) - Recommendation with User Active Disclosing Willingness [20.306413327597603]
本研究では,ユーザが異なる行動を公開する上で,その「意志」を示すことを許される,新しい推薦パラダイムについて検討する。
我々は,推薦品質とユーザ開示意欲のバランスをとる上で,モデルの有効性を示すため,広範囲な実験を行った。
論文 参考訳(メタデータ) (2022-10-25T04:43:40Z) - Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。
本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。
我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
論文 参考訳(メタデータ) (2022-07-04T17:49:25Z) - Debiasing Learning for Membership Inference Attacks Against Recommender
Systems [79.48353547307887]
学習されたレコメンデータシステムは、トレーニングデータに関する情報を不注意に漏洩させ、プライバシー侵害につながる可能性がある。
我々は,推薦者システムによるプライバシー上の脅威を,会員推定のレンズを通して調査する。
本稿では,4つの主要コンポーネントを持つリコメンダシステム(DL-MIA)フレームワークに対する,メンバシップ推論攻撃に対するバイアス学習を提案する。
論文 参考訳(メタデータ) (2022-06-24T17:57:34Z) - Introducing a Framework and a Decision Protocol to Calibrate Recommender
Systems [0.0]
本稿では,ジャンルの校正バランスを考慮したレコメンデーションリスト作成手法を提案する。
主な主張は、キャリブレーションはより公平なレコメンデーションを生み出すために肯定的に貢献できるということである。
本稿では,1000以上の校正システムの組み合わせを生成するための概念的フレームワークと決定プロトコルを提案する。
論文 参考訳(メタデータ) (2022-04-07T19:30:55Z) - CausPref: Causal Preference Learning for Out-of-Distribution
Recommendation [36.22965012642248]
現在のレコメンデータシステムは、現実的なシナリオにおけるユーザやアイテムの配布シフトに対して、依然として脆弱である。
本稿では,推奨特化DAG学習者を因果選好に基づく推薦フレームワークCausPrefに組み込むことを提案する。
当社のアプローチは、アウト・オブ・ディストリビューション・セッティングのタイプにおいて、ベンチマークモデルを大幅に上回っている。
論文 参考訳(メタデータ) (2022-02-08T16:42:03Z) - Top-N Recommendation with Counterfactual User Preference Simulation [26.597102553608348]
ユーザーランキングに基づく好みの学習を目的としたTop-Nレコメンデーションは、長い間、広範囲のアプリケーションにおいて基本的な問題だった。
本稿では,データ不足問題に対処するため,因果推論フレームワーク内での推薦タスクの再構築を提案する。
論文 参考訳(メタデータ) (2021-09-02T14:28:46Z) - Control Variates for Slate Off-Policy Evaluation [112.35528337130118]
多次元動作を伴うバッチ化されたコンテキスト帯域データから政治外評価の問題について検討する。
我々は, PIと自己正規化PIの双方に対して, リスク改善を保証した新しい推定器を得る。
論文 参考訳(メタデータ) (2021-06-15T06:59:53Z) - PURS: Personalized Unexpected Recommender System for Improving User
Satisfaction [76.98616102965023]
本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。
3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
論文 参考訳(メタデータ) (2021-06-05T01:33:21Z) - Latent Unexpected Recommendations [89.2011481379093]
ユーザとアイテムの埋め込みの潜伏した空間における予測性をモデル化し、新しいレコメンデーションと歴史的購入の間の隠れた複雑な関係を捉えることを提案する。
さらに,ハイブリッドユーティリティ機能の構築と,提案モデルに基づく予期せぬ推薦を行うための新しい潜在クロージャ(LC)手法を開発した。
論文 参考訳(メタデータ) (2020-07-27T02:39:30Z) - Reward Constrained Interactive Recommendation with Natural Language
Feedback [158.8095688415973]
制約強化強化学習(RL)フレームワークを提案する。
具体的には,ユーザの過去の嗜好に反するレコメンデーションを検出するために,識別器を利用する。
提案するフレームワークは汎用的であり,制約付きテキスト生成のタスクにさらに拡張されている。
論文 参考訳(メタデータ) (2020-05-04T16:23:34Z)
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。