論文の概要: COMET: Convolutional Dimension Interaction for Collaborative Filtering
- arxiv url: http://arxiv.org/abs/2007.14129v5
- Date: Tue, 17 Aug 2021 18:18:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-06 03:04:41.776371
- Title: COMET: Convolutional Dimension Interaction for Collaborative Filtering
- Title(参考訳): COMET:協調フィルタリングのための畳み込み次元相互作用
- Authors: Zhuoyi Lin, Lei Feng, Xingzhi Guo, Yu Zhang, Rui Yin, Chee Keong Kwoh,
Chi Xu
- Abstract要約: 本稿では,歴史的相互作用と埋め込み次元の高次相互作用パターンを同時にモデル化するCOMETと呼ばれる新しい潜在因子モデルを提案する。
具体的には、COMETは、最初は歴史的相互作用の埋め込みを水平に積み重ね、結果として2つの「埋め込みマップ」となる。
このようにして、内部相互作用と次元相互作用は、異なる大きさのカーネルを持つ畳み込みニューラルネットワークによって同時に利用することができる。
- 参考スコア(独自算出の注目度): 16.799611667681233
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Latent factor models play a dominant role among recommendation techniques.
However, most of the existing latent factor models assume both historical
interactions and embedding dimensions are independent of each other, and thus
regrettably ignore the high-order interaction information among historical
interactions and embedding dimensions. In this paper, we propose a novel latent
factor model called COMET (COnvolutional diMEnsion inTeraction), which
simultaneously model the high-order interaction patterns among historical
interactions and embedding dimensions. To be specific, COMET stacks the
embeddings of historical interactions horizontally at first, which results in
two "embedding maps". In this way, internal interactions and dimensional
interactions can be exploited by convolutional neural networks with kernels of
different sizes simultaneously. A fully-connected multi-layer perceptron is
then applied to obtain two interaction vectors. Lastly, the representations of
users and items are enriched by the learnt interaction vectors, which can
further be used to produce the final prediction. Extensive experiments and
ablation studies on various public implicit feedback datasets clearly
demonstrate the effectiveness and the rationality of our proposed method.
- Abstract(参考訳): 潜在因子モデルはレコメンデーション技術において主要な役割を果たす。
しかし、既存の潜在因子モデルの多くは、歴史的相互作用と埋め込み次元は互いに独立であり、故意に歴史的相互作用と埋め込み次元の間の高次相互作用情報を無視している。
本稿では,歴史的相互作用と埋め込み次元の高次相互作用パターンを同時にモデル化するCOMET(Convolutional diMEnsion in Teraction)と呼ばれる新しい潜在因子モデルを提案する。
具体的には、COMETは、最初は歴史的相互作用の埋め込みを水平に積み重ね、結果として2つの「埋め込みマップ」となる。
このように、内部相互作用と次元相互作用は、異なる大きさの核を同時に持つ畳み込みニューラルネットワークによって利用することができる。
次に、完全連結多層パーセプトロンを適用し、2つの相互作用ベクトルを得る。
最後に、ユーザとアイテムの表現は学習された相互作用ベクトルによって豊かにされ、最終的な予測を生成するためにさらに使用できる。
提案手法の有効性と合理性を明らかにするため,各種公開暗黙フィードバックデータセットの広範な実験とアブレーション実験を行った。
関連論文リスト
- Learning Mutual Excitation for Hand-to-Hand and Human-to-Human
Interaction Recognition [22.538114033191313]
相互励起グラフ畳み込み層を積み重ねた相互励起グラフ畳み込みネットワーク(me-GCN)を提案する。
Me-GCは各レイヤとグラフ畳み込み操作の各ステージで相互情報を学習する。
提案するme-GCは,最先端GCN法およびTransformer法より優れている。
論文 参考訳(メタデータ) (2024-02-04T10:00:00Z) - MMOE: Mixture of Multimodal Interaction Experts [115.20477067767399]
MMOEはマルチモーダルインタラクションの専門家の混在を指す。
本手法は, ラベルのないマルチモーダルデータセットから, 対話タイプによって自動的にデータポイントを分類し, それぞれのインタラクションに特化モデルを用いる。
実験結果から,本手法は,これらの課題のあるインタラクションのパフォーマンスを10%以上向上させ,皮肉な予測などのタスクに対して全体の2%向上をもたらす。
論文 参考訳(メタデータ) (2023-11-16T05:31:21Z) - InterGen: Diffusion-based Multi-human Motion Generation under Complex
Interactions [52.67456181120208]
動作拡散プロセスに人間と人間の相互作用を組み込んだ効果的な拡散ベースアプローチであるInterGenを提案する。
我々はまず、InterHumanという名前のマルチモーダルデータセットをコントリビュートする。これは、様々な2人インタラクションのための約107Mフレームで構成され、正確な骨格運動と23,337の自然言語記述を持つ。
本稿では,世界規模での2人のパフォーマーのグローバルな関係を明示的に定式化した対話拡散モデルにおける動作入力の表現を提案する。
論文 参考訳(メタデータ) (2023-04-12T08:12:29Z) - Interaction Mix and Match: Synthesizing Close Interaction using
Conditional Hierarchical GAN with Multi-Hot Class Embedding [4.864897201841002]
本研究では,異なる種類の密接な相互作用を混合し,マッチングすることで,リアルな人間の反応運動を作り出す新しい方法を提案する。
実験はノイズ(深度ベース)と高品質(リバーサベース)の相互作用データセットの両方で実施される。
論文 参考訳(メタデータ) (2022-07-23T16:13:10Z) - Interaction Pattern Disentangling for Multi-Agent Reinforcement Learning [34.08532596750681]
本稿では,対話型パターンディスエンタング法(OPT)を導入し,結合値関数をエージェント単位の値関数に切り離して分散実行する手法を提案する。
OPTは無関係な実体間のノイズの相互作用をフィルタリングしやすくし、一般化可能性や解釈可能性を大幅に向上させる。
単一タスクとマルチタスクのベンチマーク実験により,提案手法は最先端のベンチマークよりも優れた結果が得られることを示した。
論文 参考訳(メタデータ) (2022-07-08T13:42:54Z) - Interaction Transformer for Human Reaction Generation [61.22481606720487]
本稿では,時間的,空間的両方の注意を持つトランスフォーマーネットワークからなる対話型トランスフォーマー(InterFormer)を提案する。
我々の手法は一般的であり、より複雑で長期的な相互作用を生成するのに利用できる。
論文 参考訳(メタデータ) (2022-07-04T19:30:41Z) - Multi-Behavior Sequential Recommendation with Temporal Graph Transformer [66.10169268762014]
マルチビヘイビア・インタラクティブなパターンを意識した動的ユーザ・イテム関係学習に取り組む。
本稿では,動的短期および長期のユーザ・イテム対話パターンを共同でキャプチャする,TGT(Temporal Graph Transformer)レコメンデーションフレームワークを提案する。
論文 参考訳(メタデータ) (2022-06-06T15:42:54Z) - Dynamic Representation Learning with Temporal Point Processes for
Higher-Order Interaction Forecasting [8.680676599607123]
本稿では,これらの問題に対処するためのハイパーエッジ予測のための時間点プロセスモデルを提案する。
私たちの知る限りでは、動的ネットワークのハイパーエッジを予測するために時間点プロセスを使った最初の研究である。
論文 参考訳(メタデータ) (2021-12-19T14:24:37Z) - Information Interaction Profile of Choice Adoption [2.9972063833424216]
相互作用するエンティティを分離する時間的距離に応じて、エンティティの相互作用ネットワークとその進化を推定する効率的な方法を紹介します。
相互作用プロファイルは、相互作用プロセスのメカニズムを特徴付けることができます。
ユーザに対する露出の組み合わせの効果は、各露出の独立した効果の総和以上のものであることを示す。
論文 参考訳(メタデータ) (2021-04-28T10:42:25Z) - DCR-Net: A Deep Co-Interactive Relation Network for Joint Dialog Act
Recognition and Sentiment Classification [77.59549450705384]
ダイアログシステムでは、ダイアログアクト認識と感情分類は2つの相関タスクである。
既存のシステムのほとんどは、それらを別々のタスクとして扱うか、単に2つのタスクを一緒にモデル化するだけです。
本稿では,2つのタスク間の相互作用をモデル化するディープ・コ・インタラクティブ・リレーショナル・ネットワーク(DCR-Net)を提案する。
論文 参考訳(メタデータ) (2020-08-16T14:13:32Z) - Cascaded Human-Object Interaction Recognition [175.60439054047043]
マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。
各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。
慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
論文 参考訳(メタデータ) (2020-03-09T17:05:04Z)
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。