論文の概要: MAMO: Memory-Augmented Meta-Optimization for Cold-start Recommendation
- arxiv url: http://arxiv.org/abs/2007.03183v1
- Date: Tue, 7 Jul 2020 03:25:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-12 19:16:49.334794
- Title: MAMO: Memory-Augmented Meta-Optimization for Cold-start Recommendation
- Title(参考訳): MAMO: コールドスタート勧告のためのメモリ拡張メタ最適化
- Authors: Manqing Dong and Feng Yuan and Lina Yao and Xiwei Xu and Liming Zhu
- Abstract要約: ほとんどのレコメンデーションシステムの一般的な課題は、コールドスタート問題である。
本稿では,タスク固有の記憶と特徴固有の記憶を格納できる2つのメモリ行列を設計する。
提案手法を最適化するためにメタ最適化アプローチを採用する。
- 参考スコア(独自算出の注目度): 46.0605442943949
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: A common challenge for most current recommender systems is the cold-start
problem. Due to the lack of user-item interactions, the fine-tuned recommender
systems are unable to handle situations with new users or new items. Recently,
some works introduce the meta-optimization idea into the recommendation
scenarios, i.e. predicting the user preference by only a few of past interacted
items. The core idea is learning a global sharing initialization parameter for
all users and then learning the local parameters for each user separately.
However, most meta-learning based recommendation approaches adopt
model-agnostic meta-learning for parameter initialization, where the global
sharing parameter may lead the model into local optima for some users. In this
paper, we design two memory matrices that can store task-specific memories and
feature-specific memories. Specifically, the feature-specific memories are used
to guide the model with personalized parameter initialization, while the
task-specific memories are used to guide the model fast predicting the user
preference. And we adopt a meta-optimization approach for optimizing the
proposed method. We test the model on two widely used recommendation datasets
and consider four cold-start situations. The experimental results show the
effectiveness of the proposed methods.
- Abstract(参考訳): 現在のレコメンダシステムで一般的な課題は、コールドスタート問題である。
ユーザとイテムの相互作用が欠如しているため、カスタマイズされたレコメンダシステムは、新しいユーザや新しいアイテムの状況に対処できない。
近年、メタ最適化の考え方をレコメンデーションシナリオに導入する作品がいくつか紹介されている。
中心となるアイデアは、全ユーザのグローバル共有初期化パラメータを学習し、各ユーザのローカルパラメータを個別に学習することだ。
しかし,ほとんどのメタラーニングベースの推薦手法では,パラメータの初期化にモデルに依存しないメタラーニングを採用している。
本稿では,タスク固有の記憶と特徴固有の記憶を格納できる2つのメモリ行列を設計する。
具体的には、特徴特異的メモリはモデルにパーソナライズされたパラメータ初期化を導くのに使われ、タスク固有メモリはモデルがユーザの好みを素早く予測するのに役立つ。
また,提案手法を最適化するためにメタ最適化手法を採用する。
我々は,広く使用されている2つのレコメンデーションデータセット上でモデルをテストし,4つのコールドスタート状況を検討した。
実験の結果,提案手法の有効性が示された。
関連論文リスト
- Explainable Active Learning for Preference Elicitation [0.0]
我々は、最小限のユーザ労力で情報取得を最大化することを目的として、この問題を解決するためにアクティブラーニング(AL)を採用している。
ALは、大きなラベルのない集合から情報的データを選択して、それらをラベル付けするオラクルを問い合わせる。
ベースとなる機械学習(ML)モデルを更新するために、ユーザからのフィードバック(提示された項目に関するシステムの説明のために)を情報的なサンプルから収集する。
論文 参考訳(メタデータ) (2023-09-01T09:22:33Z) - Dual Personalization on Federated Recommendation [50.4115315992418]
フェデレートされたレコメンデーションは、フェデレーションされた設定でプライバシを保存するレコメンデーションサービスを提供することを目的とした、新しいインターネットサービスアーキテクチャである。
本稿では,ユーザ固有の軽量モデルの多くを学習するためのPersonalized Federated Recommendation(PFedRec)フレームワークを提案する。
また、ユーザとアイテムの両方の詳細なパーソナライズを効果的に学習するための、新しい二重パーソナライズ機構を提案する。
論文 参考訳(メタデータ) (2023-01-16T05:26:07Z) - Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。
しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。
したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
論文 参考訳(メタデータ) (2022-11-17T19:00:24Z) - Comprehensive Fair Meta-learned Recommender System [39.04926584648665]
我々は、メタ学習モデルの公平性を確保するために、CLOVERという、総合的な公正なメタ学習フレームワークを提案する。
我々のフレームワークは、異なるメタ学習レコメンデータシステムに適用可能な、汎用的なトレーニングパラダイムを提供する。
論文 参考訳(メタデータ) (2022-06-09T22:48:35Z) - 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) - 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) - Personalized Adaptive Meta Learning for Cold-start User Preference
Prediction [46.65783845757707]
パーソナライズされたユーザーの嗜好予測における共通の課題は、コールドスタート問題である。
メジャーユーザとマイナーユーザの両方を考慮するために,新たなパーソナライズ型適応型メタラーニング手法を提案する。
本手法は, マイノリティとメジャーユーザの両方に対して, 最先端の手法を劇的に向上させる。
論文 参考訳(メタデータ) (2020-12-22T05:48:08Z) - MetaSelector: Meta-Learning for Recommendation with User-Level Adaptive
Model Selection [110.87712780017819]
推薦システムにおけるユーザレベルの適応モデル選択を容易にするメタラーニングフレームワークを提案する。
2つのパブリックデータセットと実世界のプロダクションデータセットで実験を行います。
論文 参考訳(メタデータ) (2020-01-22T16:05:01Z)
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。