論文の概要: Modurec: Recommender Systems with Feature and Time Modulation
- arxiv url: http://arxiv.org/abs/2010.07050v1
- Date: Tue, 13 Oct 2020 09:18:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-08 01:00:30.692912
- Title: Modurec: Recommender Systems with Feature and Time Modulation
- Title（参考訳）: Modurec: 機能と時間変調を備えたレコメンダシステム
- Authors: Javier Maroto, Cl\'ement Vignac and Pascal Frossard
- Abstract要約: 特徴量変調機構を用いて利用可能な情報を全て組み合わせたオートエンコーダに基づくModurecを提案する。
Movielensデータセットでは、これらの修正によって、最も評価された設定で最先端の結果が得られます。
- 参考スコア（独自算出の注目度）: 50.51144496609274
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Current state of the art algorithms for recommender systems are mainly based
on collaborative filtering, which exploits user ratings to discover latent
factors in the data. These algorithms unfortunately do not make effective use
of other features, which can help solve two well identified problems of
collaborative filtering: cold start (not enough data is available for new users
or products) and concept shift (the distribution of ratings changes over time).
To address these problems, we propose Modurec: an autoencoder-based method that
combines all available information using the feature-wise modulation mechanism,
which has demonstrated its effectiveness in several fields. While time
information helps mitigate the effects of concept shift, the combination of
user and item features improve prediction performance when little data is
available. We show on Movielens datasets that these modifications produce
state-of-the-art results in most evaluated settings compared with standard
autoencoder-based methods and other collaborative filtering approaches.
- Abstract（参考訳）: 推薦システムのための技術アルゴリズムの現状は、主に協調フィルタリングに基づいており、これはデータの潜伏要因を発見するためにユーザーのレーティングを利用する。
これらのアルゴリズムは残念ながら他の機能を有効に利用しないため、コールドスタート(新しいユーザーや製品に十分なデータが提供されていない)とコンセプトシフト(時間の経過とともに評価の分布が変化する)という、2つのよく知られた協調フィルタリングの問題を解決するのに役立つ。
これらの問題に対処するために,機能的変調機構を用いて利用可能な情報を全て組み合わせたオートエンコーダに基づくModurecを提案する。
時間情報は概念シフトの効果を緩和するのに役立つが、ユーザとアイテムの機能の組み合わせは、データが少ない場合の予測性能を改善する。
従来のオートエンコーダベースの手法や協調フィルタリング手法と比較して,これらの修正によって最も評価の高い設定が得られた。
関連論文リスト
- An Efficient Multi-threaded Collaborative Filtering Approach in Recommendation System [0.0]
本研究は,多数のユーザを効率的に扱えるスケーラブルなレコメンデーションシステムの構築に焦点を当てる。
これを実現するために、マルチスレッドの類似性アプローチが採用されている。
この並列化は従来の手法に比べて計算時間を著しく短縮し、高速で効率的でスケーラブルなレコメンデーションシステムをもたらす。
論文 参考訳（メタデータ） (2024-09-28T06:33:18Z) - Interactive Graph Convolutional Filtering [79.34979767405979]
インタラクティブ・レコメンダ・システム(IRS)は、パーソナライズされた記事レコメンデーション、ソーシャルメディア、オンライン広告など、さまざまな領域でますます利用されている。
これらの問題は、コールドスタート問題とデータスポーサリティ問題によって悪化する。
既存のMulti-Armed Bandit手法は、慎重に設計された探査戦略にもかかわらず、しばしば初期の段階で満足な結果を提供するのに苦労する。
提案手法は,ユーザとアイテム間の協調フィルタリング性能を向上させるため,協調フィルタリングをグラフモデルに拡張する。
論文 参考訳（メタデータ） (2023-09-04T09:02:31Z) - Towards Explainable Collaborative Filtering with Taste Clusters Learning [43.4512681951459]
協調フィルタリング(CF)は、リコメンダシステムにおいて広く使われ、効果的な手法である。
レコメンデーションモデルに説明可能性を追加することは、意思決定プロセスにおける信頼を高めるだけでなく、複数のメリットも得る。
本稿では,解釈可能なクラスタ・ラーニングを生かした,クリーンで効果的なECF(Explainable Collaborative Filtering)モデルを提案する。
論文 参考訳（メタデータ） (2023-04-27T03:08:15Z) - Broad Recommender System: An Efficient Nonlinear Collaborative Filtering
Approach [56.12815715932561]
我々はBroad Collaborative Filtering (BroadCF)と呼ばれる新しい広帯域リコメンデータシステムを提案する。
深層ニューラルネットワーク(DNN)の代わりに、ユーザとアイテム間の複雑な非線形関係を学習するためのマッピング機能として、Broad Learning System(BLS)が使用されている。
7つのベンチマークデータセットで実施された大規模な実験により、提案したBroadCFアルゴリズムの有効性が確認された。
論文 参考訳（メタデータ） (2022-04-20T01:25:08Z) - Compactness Score: A Fast Filter Method for Unsupervised Feature
Selection [66.84571085643928]
本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。
提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
論文 参考訳（メタデータ） (2022-01-31T13:01:37Z) - Adaptive Sampling for Heterogeneous Rank Aggregation from Noisy Pairwise
Comparisons [85.5955376526419]
ランキングアグリゲーション問題では、各項目を比較する際に、様々な精度レベルが示される。
本稿では,ノイズのあるペアワイズ比較によってアイテムのランクを推定する,除去に基づくアクティブサンプリング戦略を提案する。
提案アルゴリズムは,商品の真のランキングを高い確率で返却できることを示す。
論文 参考訳（メタデータ） (2021-10-08T13:51:55Z) - Deep Variational Models for Collaborative Filtering-based Recommender
Systems [63.995130144110156]
ディープラーニングは、リコメンダシステムの結果を改善するために、正確な協調フィルタリングモデルを提供する。
提案するモデルは, 深層建築の潜伏空間において, 変分概念を注入性に適用する。
提案手法は, 入射雑音効果を超える変動エンリッチメントのシナリオにおいて, 提案手法の優位性を示す。
論文 参考訳（メタデータ） (2021-07-27T08:59:39Z) - BanditMF: Multi-Armed Bandit Based Matrix Factorization Recommender
System [0.0]
マルチアーム・バンディット(MAB)は、探索と搾取のバランスをとるために原則化されたオンライン学習アプローチを提供する。
協調フィルタリング(CF)は、おそらく推奨システムにおいて最も早く、最も影響力のある手法である。
BanditMFは、マルチアームバンディットアルゴリズムと協調フィルタリングの2つの課題に対処するように設計されている。
論文 参考訳（メタデータ） (2021-06-21T07:35:39Z) - A concise method for feature selection via normalized frequencies [0.0]
本稿では,普遍的特徴選択のための簡潔な手法を提案する。
提案手法は, フィルタ法とラッパー法を融合して行う。
評価結果から,提案手法は,精度,精度,リコール,Fスコア,AUCの点で,いくつかの最先端技術に優れた性能を示した。
論文 参考訳（メタデータ） (2021-06-10T15:29:54Z) - Multi-Feature Discrete Collaborative Filtering for Fast Cold-start
Recommendation [31.69262747122024]
我々はMFDCF(Multi-Feature Discrete Collaborative Filtering)と呼ばれる高速コールドスタートレコメンデーション手法を提案する。
具体的には、低ランクな自己重み付き多機能融合モジュールは、複数のコンテンツ機能をバイナリハッシュコードに適応的に投影するように設計されている。
MFDCFは様々な面において最先端よりも優れています。
論文 参考訳（メタデータ） (2020-03-24T08:55:15Z)
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。