論文の概要: Neural Representations in Hybrid Recommender Systems: Prediction versus Regularization

• arxiv url: http://arxiv.org/abs/2010.06070v1
• Date: Mon, 12 Oct 2020 23:12:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-08 08:00:30.148035
• Title: Neural Representations in Hybrid Recommender Systems: Prediction versus Regularization
• Title（参考訳）: ハイブリッドレコメンダシステムにおけるニューラル表現:正規化と予測
• Authors: Ramin Raziperchikolaei, Tianyu Li, Young-joo Chung
• Abstract要約: 我々は、予測のための神経表現(NRP)フレームワークを定義し、オートエンコーダベースのレコメンデーションシステムに適用する。 また、NRPフレームワークを、ユーザやアイテム情報を再構成することなく評価を予測できる直接ニューラルネットワーク構造に適用する。 その結果、ニューラル表現は正規化よりも予測に優れており、NRPフレームワークと直接ニューラルネットワーク構造が組み合わさって、予測タスクにおける最先端の手法よりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 8.384351067134999
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autoencoder-based hybrid recommender systems have become popular recently because of their ability to learn user and item representations by reconstructing various information sources, including users' feedback on items (e.g., ratings) and side information of users and items (e.g., users' occupation and items' title). However, existing systems still use representations learned by matrix factorization (MF) to predict the rating, while using representations learned by neural networks as the regularizer. In this paper, we define the neural representation for prediction (NRP) framework and apply it to the autoencoder-based recommendation systems. We theoretically analyze how our objective function is related to the previous MF and autoencoder-based methods and explain what it means to use neural representations as the regularizer. We also apply the NRP framework to a direct neural network structure which predicts the ratings without reconstructing the user and item information. We conduct extensive experiments on two MovieLens datasets and two real-world e-commerce datasets. The results confirm that neural representations are better for prediction than regularization and show that the NRP framework, combined with the direct neural network structure, outperforms the state-of-the-art methods in the prediction task, with less training time and memory.
• Abstract（参考訳）: 自動エンコーダベースのハイブリッドレコメンダシステムは,アイテムに対するユーザのフィードバック(レーティングなど)やユーザやアイテムのサイド情報(ユーザの職業やタイトルなど)など,さまざまな情報ソースを再構築することで,ユーザやアイテムの表現を学習する能力から,近年普及している。 しかし、既存のシステムは依然として行列分解(mf)によって学習された表現を用いて評価を予測し、ニューラルネットワークによって学習された表現を正規化として用いる。 本稿では、予測のためのニューラル表現(NRP)フレームワークを定義し、オートエンコーダに基づくレコメンデーションシステムに適用する。 目的関数が従来のmfおよびオートエンコーダに基づく手法とどのように関連しているかを理論的に解析し、神経表現を正規化器として使用する意味を説明する。 また, nrpフレームワークを直接ニューラルネットワーク構造に適用し, ユーザおよびアイテム情報を再構築することなく, 評価値を予測する。 我々は2つのmovielensデータセットと2つの実世界のeコマースデータセットについて広範な実験を行う。 その結果、ニューラル表現は正規化よりも予測に適しており、NRPフレームワークと直接ニューラルネットワーク構造が組み合わさって、予測タスクにおける最先端の手法よりも、トレーニング時間と記憶時間が少ないことが確認された。

関連論文リスト

• Linear-Time Graph Neural Networks for Scalable Recommendations [50.45612795600707]
  推薦システムの鍵は、過去のユーザとイテムのインタラクションに基づいて、ユーザの将来の振る舞いを予測することである。 近年、リコメンデータシステムの予測性能を高めるためにグラフニューラルネットワーク(GNN)を活用することへの関心が高まっている。 我々は,従来のMF手法と同等のスケーラビリティを実現するために,GNNベースのレコメンデータシステムをスケールアップするための線形時間グラフニューラルネットワーク(LTGNN)を提案する。
  論文  参考訳（メタデータ） (2024-02-21T17:58:10Z)
• Neural networks trained with SGD learn distributions of increasing complexity [78.30235086565388]
  勾配降下法を用いてトレーニングされたニューラルネットワークは、まず低次入力統計を用いて入力を分類する。 その後、トレーニング中にのみ高次の統計を利用する。 本稿では,DSBと他の単純度バイアスとの関係について論じ,学習における普遍性の原理にその意味を考察する。
  論文  参考訳（メタデータ） (2022-11-21T15:27:22Z)
• NAR-Former: Neural Architecture Representation Learning towards Holistic Attributes Prediction [37.357949900603295]
  本稿では,属性の全体的推定に使用できるニューラルネットワーク表現モデルを提案する。 実験の結果,提案するフレームワークは,セルアーキテクチャとディープニューラルネットワーク全体の遅延特性と精度特性を予測できることがわかった。
  論文  参考訳（メタデータ） (2022-11-15T10:15:21Z)
• Improving Prediction Confidence in Learning-Enabled Autonomous Systems [2.66512000865131]
  予測の信頼性を向上させるために,分類に使用される学習可能なコンポーネントと自律システムのセンサとのフィードバックループを利用する。 本稿では,三重項ネットワークアーキテクチャに基づく帰納的等角予測(ICP)を用いた分類器を設計し,テスト例とトレーニング例の類似性を定量化するための表現を学習する。 センサに新しい入力を問い合わせるフィードバックループを使用して、予測をさらに洗練し、分類精度を高める。
  論文  参考訳（メタデータ） (2021-10-07T00:40:34Z)
• FF-NSL: Feed-Forward Neural-Symbolic Learner [70.978007919101]
  本稿では,Feed-Forward Neural-Symbolic Learner (FF-NSL) と呼ばれるニューラルシンボリック学習フレームワークを紹介する。 FF-NSLは、ラベル付き非構造化データから解釈可能な仮説を学習するために、Answer Setセマンティクスに基づく最先端のICPシステムとニューラルネットワークを統合する。
  論文  参考訳（メタデータ） (2021-06-24T15:38:34Z)
• Initialization Matters: Regularizing Manifold-informed Initialization for Neural Recommendation Systems [47.49065927541129]
  我々は、Laplacian Eigenmapsと呼ばれる、分離データ(LEPORID)に対する人気に基づく正規化を用いた新しいユーザ埋め込み方式を提案する。 LEPORIDは、データ多様体上のマルチスケール近傍構造に関する情報を埋め込みに付与し、データ分布の尾に高い埋め込み分散を補う適応正規化を行う。 我々は、LEPORIDを持つ既存のニューラルネットワークが、KNNと同等かそれ以上に動作することを示す。
  論文  参考訳（メタデータ） (2021-06-09T11:26:18Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• NSL: Hybrid Interpretable Learning From Noisy Raw Data [66.15862011405882]
  本稿では,ラベル付き非構造データから解釈可能なルールを学習するニューラルシンボリック学習フレームワークNSLを提案する。 NSLは、機能抽出のためのトレーニング済みニューラルネットワークと、解集合セマンティクスに基づくルール学習のための最先端のILPシステムであるFastLASを組み合わせる。 NSLは、MNISTデータから堅牢なルールを学び、ニューラルネットワークやランダムフォレストベースラインと比較して、比較または優れた精度を達成できることを実証します。
  論文  参考訳（メタデータ） (2020-12-09T13:02:44Z)
• Representation Extraction and Deep Neural Recommendation for Collaborative Filtering [9.367612782346207]
  本稿では,評価行列からユーザやアイテムを抽出する新しい表現学習アルゴリズムについて検討する。 Representation eXtraction と Deep Neural NETwork (RexNet) の2つの相からなるモジュラーアルゴリズムを提案する。 RexNetは、視覚情報やテキスト情報のような構造化されていない補助データに依存しない。
  論文  参考訳（メタデータ） (2020-12-09T11:15:23Z)

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。