論文の概要: Attentive Autoencoders for Multifaceted Preference Learning in One-class Collaborative Filtering

• arxiv url: http://arxiv.org/abs/2010.12803v1
• Date: Sat, 24 Oct 2020 06:35:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-03 13:37:31.344939
• Title: Attentive Autoencoders for Multifaceted Preference Learning in One-class Collaborative Filtering
• Title（参考訳）: 一級協調フィルタリングにおける多面的選好学習のための注意オートエンコーダ
• Authors: Zheda Mai, Ga Wu, Kai Luo, Scott Sanner
• Abstract要約: Attentive Multi-modal AutoRecはマルチモーダル潜在表現でユーザの好みを追跡する。 AMAはOC-CF設定下での最先端モデルと競合することを示す。
• 参考スコア（独自算出の注目度）: 23.056754242935824
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most existing One-Class Collaborative Filtering (OC-CF) algorithms estimate a user's preference as a latent vector by encoding their historical interactions. However, users often show diverse interests, which significantly increases the learning difficulty. In order to capture multifaceted user preferences, existing recommender systems either increase the encoding complexity or extend the latent representation dimension. Unfortunately, these changes inevitably lead to increased training difficulty and exacerbate scalability issues. In this paper, we propose a novel and efficient CF framework called Attentive Multi-modal AutoRec (AMA) that explicitly tracks multiple facets of user preferences. Specifically, we extend the Autoencoding-based recommender AutoRec to learn user preferences with multi-modal latent representations, where each mode captures one facet of a user's preferences. By leveraging the attention mechanism, each observed interaction can have different contributions to the preference facets. Through extensive experiments on three real-world datasets, we show that AMA is competitive with state-of-the-art models under the OC-CF setting. Also, we demonstrate how the proposed model improves interpretability by providing explanations using the attention mechanism.
• Abstract（参考訳）: 既存のOne-Class Collaborative Filtering (OC-CF) アルゴリズムは、過去のインタラクションを符号化することで、ユーザの嗜好を潜在ベクトルとして推定する。 しかし,ユーザの興味は多様であり,学習の難しさが著しく増す。 多面的なユーザの好みを捉えるために、既存のレコメンデータシステムはエンコーディングの複雑さを増大させるか、潜在表現次元を拡張する。 残念ながら、これらの変更は必然的にトレーニングの難易度を高め、スケーラビリティの問題を悪化させる。 本稿では,AMA(Attentive Multi-modal AutoRec)と呼ばれる,ユーザの嗜好の複数の面を明示的に追跡する新しい,効率的なCFフレームワークを提案する。 具体的には、AutoencodingベースのレコメンデータAutoRecを拡張して、複数モードの潜在表現でユーザの好みを学習し、各モードがユーザの好みの1つの面をキャプチャする。 注意機構を活用することで、観察された各相互作用は、好みの面に対して異なる寄与を持つことができる。 3つの実世界のデータセットに関する広範な実験を通して、AMAはOC-CF設定の下で最先端のモデルと競合していることを示す。 また,注意機構を用いた説明を提供することにより,提案モデルが解釈性をどのように改善するかを示す。

関連論文リスト

• Facet-Aware Multi-Head Mixture-of-Experts Model for Sequential Recommendation [25.516648802281626]
  逐次レコメンデーションのためのFAME(Facet-Aware Multi-Head Mixture-of-Experts Model for Sequential Recommendation)という新しい構造を提案する。 最後のマルチヘッドアテンション層における各頭部からのサブ埋め込みを活用して,次の項目を別々に予測する。 ゲーティングメカニズムは、各ヘッドからのレコメンデーションを統合し、それらの重要性を動的に決定する。
  論文  参考訳（メタデータ） (2024-11-03T06:47:45Z)
• MDAP: A Multi-view Disentangled and Adaptive Preference Learning Framework for Cross-Domain Recommendation [63.27390451208503]
  クロスドメインレコメンデーションシステムは、マルチドメインユーザインタラクションを活用してパフォーマンスを向上させる。 マルチビュー・ディスタングル・アダプティブ・プライスラーニング・フレームワークを提案する。 当社のフレームワークはマルチビューエンコーダを使用して,多様なユーザの好みをキャプチャする。
  論文  参考訳（メタデータ） (2024-10-08T10:06:45Z)
• A tutorial on multi-view autoencoders using the multi-view-AE library [0.0]
  マルチビューオートエンコーダのための統一的な数学的枠組みを提案する。 それぞれのモデルのモチベーションと理論的アドバンテージに関する洞察を提供する。 以前導入された textttmulti-view-AE ライブラリのドキュメントと機能を拡張する。
  論文  参考訳（メタデータ） (2024-03-12T09:51:05Z)
• Relative Preference Optimization: Enhancing LLM Alignment through Contrasting Responses across Identical and Diverse Prompts [95.09994361995389]
  Relative Preference Optimization (RPO) は、同一のプロンプトと関連するプロンプトの両方から、より多く、あまり好まれない応答を識別するように設計されている。 RPOは、大きな言語モデルをユーザの好みに合わせて調整し、トレーニングプロセスにおける適応性を改善する優れた能力を示している。
  論文  参考訳（メタデータ） (2024-02-12T22:47:57Z)
• MISSRec: Pre-training and Transferring Multi-modal Interest-aware Sequence Representation for Recommendation [61.45986275328629]
  逐次レコメンデーションのためのマルチモーダル事前学習・転送学習フレームワークであるMISSRecを提案する。 ユーザ側ではトランスフォーマーベースのエンコーダデコーダモデルを設計し、コンテキストエンコーダがシーケンスレベルのマルチモーダルユーザ興味を捉えることを学習する。 候補項目側では,ユーザ適応項目表現を生成するために動的融合モジュールを採用する。
  論文  参考訳（メタデータ） (2023-08-22T04:06:56Z)
• The Minority Matters: A Diversity-Promoting Collaborative Metric Learning Algorithm [154.47590401735323]
  CML(Collaborative Metric Learning)は、リコメンデーションシステムにおいて人気のある手法として最近登場した。 本稿では,ユーザが複数のカテゴリの関心を持つ,困難なシナリオに焦点をあてる。 textitDiversity-Promoting Collaborative Metric Learning (DPCML) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-09-30T08:02:18Z)
• Everyone's Preference Changes Differently: Weighted Multi-Interest Retrieval Model [18.109035867113217]
  MIPモデル(Multi-Interest Preference)は、ユーザのシーケンシャルエンゲージメントをより効果的に利用することで、ユーザにとってマルチエンゲージメントを生み出すアプローチである。 本手法の有効性を実証するため,様々な産業規模のデータセットを用いて大規模な実験を行った。
  論文  参考訳（メタデータ） (2022-07-14T04:29:54Z)
• Meta-Wrapper: Differentiable Wrapping Operator for User Interest Selection in CTR Prediction [97.99938802797377]
  クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。 近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。 そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:28:15Z)
• Modeling Dynamic User Preference via Dictionary Learning for Sequential Recommendation [133.8758914874593]
  ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。 浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。 本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
  論文  参考訳（メタデータ） (2022-04-02T03:23:46Z)

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。