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
- 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) - Contextualization Distillation from Large Language Model for Knowledge
Graph Completion [51.126166442122546]
我々は、差別的かつ生成的なKGCフレームワークと互換性のあるプラグイン・アンド・プレイ方式であるContextualization Distillation戦略を導入する。
提案手法は,大規模言語モデルに対して,コンパクトで構造的な三重項を文脈に富んだセグメントに変換するように指示することから始まる。
多様なデータセットとKGC技術にわたる総合的な評価は、我々のアプローチの有効性と適応性を強調している。
論文 参考訳(メタデータ) (2024-01-28T08:56:49Z) - Self-supervised Learning of Dense Hierarchical Representations for
Medical Image Segmentation [2.5023672112974924]
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) - Hierarchical Ensemble-Based Feature Selection for Time Series
Forecasting [0.0]
非定常性のための階層的積み重ねに基づく特徴選択のための新しいアンサンブルアプローチを導入する。
当社のアプローチでは,階層構造を用いた機能間の共依存を利用しています。
このアプローチの有効性は、合成およびよく知られた実生活データセット上で実証される。
論文 参考訳(メタデータ) (2023-10-26T16:40:09Z) - How Deep Neural Networks Learn Compositional Data: The Random Hierarchy
Model [50.45582596865073]
言語と画像の階層構造にインスパイアされた合成タスクのファミリーであるランダム階層モデルを紹介する。
深層ネットワークは、等価なグループを交換するために不変な内部表現を開発することでタスクを学習する。
この結果から, ネットワークは次元の呪いを克服し, 不変表現を構築できることが示唆された。
論文 参考訳(メタデータ) (2023-07-05T09:11:09Z) - 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) - Path Based Hierarchical Clustering on Knowledge Graphs [1.713291434132985]
対象クラスタの階層化を誘導する新しい手法を提案する。
この階層上のクラスタに対象を割り当てる前に、まずタグ階層を構築します。
実世界の3つのデータセット上で,コヒーレントクラスタ階層を誘導する手法の能力を定量的に示す。
論文 参考訳(メタデータ) (2021-09-27T16:42:43Z)
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。