論文の概要: On Variational Inference for User Modeling in Attribute-Driven
Collaborative Filtering
- arxiv url: http://arxiv.org/abs/2012.01577v1
- Date: Wed, 2 Dec 2020 22:39:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-29 22:21:16.760732
- Title: On Variational Inference for User Modeling in Attribute-Driven
Collaborative Filtering
- Title(参考訳): 属性駆動協調フィルタリングにおけるユーザモデリングの変分推論について
- Authors: Venugopal Mani, Ramasubramanian Balasubramanian, Sushant Kumar,
Abhinav Mathur, Kannan Achan
- Abstract要約: 本稿では,因果推論を用いて時間的文脈からユーザの属性親和性を学習する手法を提案する。
この目的を確率論的機械学習問題として定式化し、モデルパラメータを推定するために変分推論に基づく手法を適用する。
- 参考スコア(独自算出の注目度): 10.64460581091531
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recommender Systems have become an integral part of online e-Commerce
platforms, driving customer engagement and revenue. Most popular recommender
systems attempt to learn from users' past engagement data to understand
behavioral traits of users and use that to predict future behavior. In this
work, we present an approach to use causal inference to learn user-attribute
affinities through temporal contexts. We formulate this objective as a
Probabilistic Machine Learning problem and apply a variational inference based
method to estimate the model parameters. We demonstrate the performance of the
proposed method on the next attribute prediction task on two real world
datasets and show that it outperforms standard baseline methods.
- Abstract(参考訳): Recommender Systemsはオンライン電子商取引プラットフォームの一部となり、顧客のエンゲージメントと収益を推進している。
一般的なレコメンダシステムは、ユーザの過去のエンゲージメントデータから学び、ユーザの行動特性を理解し、将来の行動を予測するために利用しようとする。
本研究では,時間的文脈からユーザ属性親和性を学習するために因果推論を用いるアプローチを提案する。
この目的を確率的機械学習問題として定式化し,モデルパラメータの推定に変分推論に基づく手法を適用する。
2つの実世界データセットにおける次属性予測タスクにおける提案手法の性能を実証し,標準ベースライン法を上回っていることを示す。
関連論文リスト
- New User Event Prediction Through the Lens of Causal Inference [20.676353189313737]
新規ユーザのための新しい離散イベント予測フレームワークを提案する。
提案手法は,カテゴリを知る必要のない新規ユーザに対して,バイアスのない予測を提供する。
数値シミュレーションと実世界の2つの応用を用いて,提案手法の優れた性能を実証する。
論文 参考訳(メタデータ) (2024-07-08T05:35:54Z) - Self-Augmented Preference Optimization: Off-Policy Paradigms for Language Model Alignment [104.18002641195442]
既存のペアデータを必要としない、効果的でスケーラブルなトレーニングパラダイムである自己拡張型優先度最適化(SAPO)を導入する。
負の反応を自律的に生成するセルフプレイの概念に基づいて、我々はさらに、データ探索とエクスプロイトを強化するために、非政治的な学習パイプラインを組み込む。
論文 参考訳(メタデータ) (2024-05-31T14:21:04Z) - Conformal Prediction in Multi-User Settings: An Evaluation [0.10231119246773925]
マシンラーニングモデルは、ユーザを区別することなく、トレーニングされ、評価される。
これにより、マルチユーザ設定で不正確なパフォーマンス指標が生成される。
本研究では,複数のマルチユーザ設定における共形予測フレームワークの評価を行った。
論文 参考訳(メタデータ) (2023-12-08T17:33:23Z) - Fisher-Weighted Merge of Contrastive Learning Models in Sequential
Recommendation [0.0]
我々は、まず、フィッシャー・マージング法をシークエンシャル・レコメンデーションに適用し、それに関連する実践的な課題に対処し、解決する。
提案手法の有効性を実証し, シーケンシャルラーニングおよびレコメンデーションシステムにおける最先端化の可能性を明らかにする。
論文 参考訳(メタデータ) (2023-07-05T05:58:56Z) - Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。
しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。
したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
論文 参考訳(メタデータ) (2022-11-17T19:00:24Z) - 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) - Explainable Recommender Systems via Resolving Learning Representations [57.24565012731325]
説明はユーザー体験を改善し、システムの欠陥を発見するのに役立つ。
本稿では,表現学習プロセスの透明性を向上させることによって,説明可能な新しい推薦モデルを提案する。
論文 参考訳(メタデータ) (2020-08-21T05:30:48Z) - Towards Open-World Recommendation: An Inductive Model-based
Collaborative Filtering Approach [115.76667128325361]
推奨モデルは、基礎となるユーザの関心を効果的に見積もり、将来の行動を予測することができる。
2つの表現モデルを含む帰納的協調フィルタリングフレームワークを提案する。
本モデルでは,限られたトレーニングレーティングと新規の未確認ユーザを対象に,数ショットのユーザに対して有望なレコメンデーションを行う。
論文 参考訳(メタデータ) (2020-07-09T14:31:25Z) - Model-Augmented Actor-Critic: Backpropagating through Paths [81.86992776864729]
現在のモデルに基づく強化学習アプローチでは、単に学習されたブラックボックスシミュレータとしてモデルを使用する。
その微分可能性を利用してモデルをより効果的に活用する方法を示す。
論文 参考訳(メタデータ) (2020-05-16T19:18:10Z)
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。