論文の概要: Learning Representations of Hierarchical Slates in Collaborative Filtering

• arxiv url: http://arxiv.org/abs/2010.06987v1
• Date: Fri, 25 Sep 2020 18:34:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 22:39:10.970522
• Title: Learning Representations of Hierarchical Slates in Collaborative Filtering
• Title（参考訳）: 協調フィルタリングにおける階層スレートの学習表現
• Authors: Ehtsham Elahi and Ashok Chandrashekar
• Abstract要約: 我々は、ユーザーが個々のアイテムの代わりにスレートと対話するレコメンデーションシステムのための協調フィルタリングモデルの構築に興味を持っている。 このアプローチの中心的な考え方は、これらのスレートの低次元埋め込みを学習することである。 階層データを生成する基礎となる分布の(未知の)統計を用いて,これらの埋め込みを学習する新しい方法を提案する。
• 参考スコア（独自算出の注目度）: 2.8145809047875066
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We are interested in building collaborative filtering models for recommendation systems where users interact with slates instead of individual items. These slates can be hierarchical in nature. The central idea of our approach is to learn low dimensional embeddings of these slates. We present a novel way to learn these embeddings by making use of the (unknown) statistics of the underlying distribution generating the hierarchical data. Our representation learning algorithm can be viewed as a simple composition rule that can be applied recursively in a bottom-up fashion to represent arbitrarily complex hierarchical structures in terms of the representations of its constituent components. We demonstrate our ideas on two real world recommendation systems datasets including the one used for the RecSys 2019 challenge. For that dataset, we improve upon the performance achieved by the winning team's model by incorporating embeddings as features generated by our approach in their solution.
• Abstract（参考訳）: 我々は,ユーザが個別の項目ではなくスレートと対話するレコメンデーションシステムのための協調フィルタリングモデルの構築に興味を持っている。 これらのスレートは本質的に階層的である。 私たちのアプローチの中心的な考え方は、これらのスレートの低次元埋め込みを学ぶことです。 階層データを生成する基盤となる分布の(未知の)統計を利用して,これらの埋め込みを学ぶ新しい方法を提案する。 この表現学習アルゴリズムはボトムアップ方式で再帰的に適用できる単純な合成規則と見なすことができ、構成成分の表現の観点から任意に複雑な階層構造を表現することができる。 RecSys 2019チャレンジで使用されたものを含む、2つの実世界のレコメンデーションシステムデータセットについて、私たちのアイデアを実証します。 このデータセットでは、ソリューションに私たちのアプローチによって生成された機能として埋め込みを組み込むことで、勝利チームのモデルによって達成されるパフォーマンスを改善します。

関連論文リスト

• Learning Visual Hierarchies with Hyperbolic Embeddings [28.35250955426006]
  本稿では,ハイパーボリック空間におけるユーザ定義のマルチレベル視覚階層を,明示的な階層ラベルを必要とせずに符号化できる学習パラダイムを提案する。 階層的検索タスクの大幅な改善を示し、視覚的階層を捉える上でのモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-26T14:58:06Z)
• Flex: End-to-End Text-Instructed Visual Navigation with Foundation Models [59.892436892964376]
  本稿では,視覚に基づく制御ポリシを用いて,ロバストな閉ループ性能を実現するために必要な最小限のデータ要件とアーキテクチャ適応について検討する。 この知見はFlex (Fly-lexically) で合成され,VLM(Vision Language Models) をフリーズしたパッチワイド特徴抽出器として利用するフレームワークである。 本研究では,本手法が4段階のフライ・トゥ・ターゲットタスクにおいて有効であることを示す。
  論文  参考訳（メタデータ） (2024-10-16T19:59:31Z)
• From Logits to Hierarchies: Hierarchical Clustering made Simple [16.132657141993548]
  事前訓練された非階層クラスタリングモデル上に実装された軽量なプロシージャは、階層クラスタリングに特化して設計されたモデルより優れていることを示す。 提案手法は,微調整を必要とせず,ログを出力する事前学習クラスタリングモデルに適用可能である。
  論文  参考訳（メタデータ） (2024-10-10T12:27:45Z)
• DaRec: A Disentangled Alignment Framework for Large Language Model and Recommender System [83.34921966305804]
  大規模言語モデル (LLM) はレコメンデーションシステムにおいて顕著な性能を示した。 LLMと協調モデルのための新しいプラグ・アンド・プレイアライメントフレームワークを提案する。 我々の手法は既存の最先端アルゴリズムよりも優れている。
  論文  参考訳（メタデータ） (2024-08-15T15:56:23Z)
• Rethinking Personalized Federated Learning with Clustering-based Dynamic Graph Propagation [48.08348593449897]
  本稿では,シンプルながら効果的に個人化できるフェデレーション学習フレームワークを提案する。 私たちは、クライアントをモデルトレーニングステータスとサーバ側のデータ分散に基づいて、複数のクラスタにグループ化します。 我々は3種類の画像ベンチマークデータセットの実験を行い、3種類のタイプで合成されたデータセットを作成する。
  論文  参考訳（メタデータ） (2024-01-29T04:14:02Z)
• Self-supervised Learning of Dense Hierarchical Representations for Medical Image Segmentation [2.2265038612930663]
  本稿では,高密度下流タスクに適したボクセルワイド粗い表現を学習するための自己教師型フレームワークについて述べる。 我々は、複数のスケールから機能のコントリビューションのバランスをとるためのトレーニング戦略を考案し、学習された表現が粗い詳細ときめ細かい詳細の両方を捉えることを保証する。
  論文  参考訳（メタデータ） (2024-01-12T09:47:17Z)
• Exploiting Data Hierarchy as a New Modality for Contrastive Learning [0.0]
  この研究は、階層的に構造化されたデータが、ニューラルネットワークが大聖堂の概念的な表現を学ぶのにどのように役立つかを研究する。 基礎となるWikiScenesデータセットは、大聖堂の構成要素の空間的に整理された階層構造を提供する。 本稿では,エンコーダの潜伏空間におけるデータ空間階層を表現するために,三重項マージン損失を利用した新しい階層的コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T21:47:49Z)
• Learning Representations without Compositional Assumptions [79.12273403390311]
  本稿では,特徴集合をグラフノードとして表現し,それらの関係を学習可能なエッジとして表現することで,特徴集合の依存関係を学習するデータ駆動型アプローチを提案する。 また,複数のビューから情報を動的に集約するために,より小さな潜在グラフを学習する新しい階層グラフオートエンコーダLEGATOを導入する。
  論文  参考訳（メタデータ） (2023-05-31T10:36:10Z)
• Hierarchical clustering with dot products recovers hidden tree structure [53.68551192799585]
  本稿では,階層構造の回復に着目した凝集クラスタリングアルゴリズムの新しい視点を提案する。 クラスタを最大平均点積でマージし、例えば最小距離やクラスタ内分散でマージしないような、標準的なアルゴリズムの単純な変種を推奨する。 このアルゴリズムにより得られた木は、汎用確率的グラフィカルモデルの下で、データ中の生成的階層構造をボナフェイド推定することを示した。
  論文  参考訳（メタデータ） (2023-05-24T11:05:12Z)
• Multi-Task Off-Policy Learning from Bandit Feedback [54.96011624223482]
  本稿では,階層型非政治最適化アルゴリズム (HierOPO) を提案する。 学習方針の準最適性にタスクごとのバウンダリを証明し、階層モデルを使用しないよりも明確な改善を示す。 我々の理論的および実証的な結果は、各タスクを個別に解くよりも、階層を使うことの明確な利点を示している。
  論文  参考訳（メタデータ） (2022-12-09T08:26:27Z)

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。