論文の概要: Detecting Beneficial Feature Interactions for Recommender Systems

• arxiv url: http://arxiv.org/abs/2008.00404v6
• Date: Tue, 18 May 2021 11:57:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 19:28:12.215557
• Title: Detecting Beneficial Feature Interactions for Recommender Systems
• Title（参考訳）: リコメンダシステムにおける便益的特徴相互作用の検出
• Authors: Yixin Su, Rui Zhang, Sarah Erfani, Zhenghua Xu
• Abstract要約: 特徴的相互作用は、レコメンデータシステムにおいて高い精度を達成するために不可欠である。 本稿では,これらの特徴の相互作用を自動的に検出する新しい手法とともに,効果的にモデル化するためのグラフニューラルネットワークアプローチを提案する。 提案手法は,情報ボトルネック原理と統計的相互作用理論により有効であることが証明された。
• 参考スコア（独自算出の注目度）: 15.599904548629537
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Feature interactions are essential for achieving high accuracy in recommender systems. Many studies take into account the interaction between every pair of features. However, this is suboptimal because some feature interactions may not be that relevant to the recommendation result, and taking them into account may introduce noise and decrease recommendation accuracy. To make the best out of feature interactions, we propose a graph neural network approach to effectively model them, together with a novel technique to automatically detect those feature interactions that are beneficial in terms of recommendation accuracy. The automatic feature interaction detection is achieved via edge prediction with an L0 activation regularization. Our proposed model is proved to be effective through the information bottleneck principle and statistical interaction theory. Experimental results show that our model (i) outperforms existing baselines in terms of accuracy, and (ii) automatically identifies beneficial feature interactions.
• Abstract（参考訳）: 特徴相互作用は、推薦システムにおいて高い精度を達成するために不可欠である。 多くの研究がそれぞれの特徴の相互作用を考慮に入れている。 しかし、いくつかの特徴的相互作用は推奨結果に関係しない可能性があり、それらを考慮してノイズを生じさせ、推奨精度を低下させる可能性があるため、これは最適ではない。 特徴的相互作用から最善を尽くすため,提案手法では,特徴的相互作用を効果的にモデル化するグラフニューラルネットワーク手法と,推薦精度の観点から有益である特徴的相互作用を自動的に検出する手法を提案する。 自動特徴相互作用検出は、エッジ予測とL0アクティベーション正規化により達成される。 提案モデルは,情報ボトルネック原理と統計相互作用理論を用いて有効であることが証明された。 実験結果から 我々のモデルは (i)既存の基準線を精度で上回り、 (ii) 有用な特徴相互作用を自動的に識別する。

関連論文リスト

• Cognitive Evolutionary Learning to Select Feature Interactions for Recommender Systems [59.117526206317116]
  Cellはさまざまなタスクやデータに対して,さまざまなモデルに適応的に進化可能であることを示す。 4つの実世界のデータセットの実験では、細胞は最先端のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2024-05-29T02:35:23Z)
• A Novel Hybrid Feature Importance and Feature Interaction Detection Framework for Predictive Optimization in Industry 4.0 Applications [1.0870564199697297]
  本稿では,特徴重要度検出(LIME)と特徴相互作用検出(NID)を組み合わせた新しいハイブリッドフレームワークを提案する。 実験の結果、R2スコアの最大9.56%が増加し、ルート平均平方誤差の最大24.05%が縮小された。
  論文  参考訳（メタデータ） (2024-03-04T13:22:53Z)
• Causal Feature Selection via Transfer Entropy [59.999594949050596]
  因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。 本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。 精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
  論文  参考訳（メタデータ） (2023-10-17T08:04:45Z)
• Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
  本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。 AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。 誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:32:51Z)
• Detecting Arbitrary Order Beneficial Feature Interactions for Recommender Systems [15.824220659063046]
  HIRSは任意の順序の有益な特徴相互作用を直接生成する最初の作品である。 本稿では,有益な特徴相互作用の3つの特性を活かし,相互作用生成のガイドとなるディープ・インフォマックス法を提案する。 実験の結果、HIRSは推奨精度で最先端のアルゴリズムを最大5%上回っていることがわかった。
  論文  参考訳（メタデータ） (2022-06-28T05:27:45Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
  内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。 まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。 次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
  論文  参考訳（メタデータ） (2021-11-08T07:57:30Z)
• Memorize, Factorize, or be Na\"ive: Learning Optimal Feature Interaction Methods for CTR Prediction [29.343267933348372]
  本稿では,各機能間相互作用に最も適したモデリング手法を求めるOPtInterというフレームワークを提案する。 実験の結果,OptInterは最先端のベースライン深部CTRモデルを最大2.21%改善することがわかった。
  論文  参考訳（メタデータ） (2021-08-03T03:03:34Z)
• Online Interaction Detection for Click-Through Rate Prediction [0.0]
  そこで我々は,オンラインランダム・インターセクション・チェーンと呼ばれる新しいインタラクション検出手法を提案する。 ORICはランダムに選択されたサンプルの交点を観察して情報的相互作用を検出する。 ORICは、新しいデータが収集されるたびに更新されるが、過去のデータで再トレーニングされることはない。 フレームワークはストリーミングインタラクションを扱うように設計されているため、既存のCTR予測モデルのほとんどは、インタラクション検出後に適用することができる。
  論文  参考訳（メタデータ） (2021-06-27T06:34:03Z)
• Neural Graph Matching based Collaborative Filtering [13.086302251856756]
  属性相互作用の2つの異なるタイプ、内部相互作用とクロス相互作用を識別する。 既存のモデルはこれら2種類の属性相互作用を区別しない。 ニューラルグラフマッチングに基づく協調フィルタリングモデル(GMCF)を提案する。 我々のモデルは最先端のモデルより優れている。
  論文  参考訳（メタデータ） (2021-05-10T01:51:46Z)
• Towards Interaction Detection Using Topological Analysis on Neural Networks [55.74562391439507]
  ニューラルネットワークでは、あらゆる相互作用する特徴は共通の隠蔽ユニットとの強い重み付けの接続に従う必要がある。 本稿では, 永続的ホモロジーの理論に基づいて, 相互作用強度を定量化するための新しい尺度を提案する。 PID(Persistence Interaction Detection)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-10-25T02:15:24Z)

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。