論文の概要: Representation Extraction and Deep Neural Recommendation for Collaborative Filtering

• arxiv url: http://arxiv.org/abs/2012.04979v1
• Date: Wed, 9 Dec 2020 11:15:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-16 09:50:24.174690
• Title: Representation Extraction and Deep Neural Recommendation for Collaborative Filtering
• Title（参考訳）: 協調フィルタリングのための表現抽出とディープニューラルレコメンデーション
• Authors: Arash Khoeini, Saman Haratizadeh, Ehsan Hoseinzade
• Abstract要約: 本稿では,評価行列からユーザやアイテムを抽出する新しい表現学習アルゴリズムについて検討する。 Representation eXtraction と Deep Neural NETwork (RexNet) の2つの相からなるモジュラーアルゴリズムを提案する。 RexNetは、視覚情報やテキスト情報のような構造化されていない補助データに依存しない。
• 参考スコア（独自算出の注目度）: 9.367612782346207
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many Deep Learning approaches solve complicated classification and regression problems by hierarchically constructing complex features from the raw input data. Although a few works have investigated the application of deep neural networks in recommendation domain, they mostly extract entity features by exploiting unstructured auxiliary data such as visual and textual information, and when it comes to using user-item rating matrix, feature extraction is done by using matrix factorization. As matrix factorization has some limitations, some works have been done to replace it with deep neural network. but these works either need to exploit unstructured data such item's reviews or images, or are specially designed to use implicit data and don't take user-item rating matrix into account. In this paper, we investigate the usage of novel representation learning algorithms to extract users and items representations from rating matrix, and offer a deep neural network for Collaborative Filtering. Our proposed approach is a modular algorithm consisted of two main phases: REpresentation eXtraction and a deep neural NETwork (RexNet). Using two joint and parallel neural networks in RexNet enables it to extract a hierarchy of features for each entity in order to predict the degree of interest of users to items. The resulted predictions are then used for the final recommendation. Unlike other deep learning recommendation approaches, RexNet is not dependent to unstructured auxiliary data such as visual and textual information, instead, it uses only the user-item rate matrix as its input. We evaluated RexNet in an extensive set of experiments against state of the art recommendation methods. The results show that RexNet significantly outperforms the baseline algorithms in a variety of data sets with different degrees of density.
• Abstract（参考訳）: 多くのディープラーニングアプローチは、生の入力データから複雑な特徴を階層的に構築することで、複雑な分類と回帰問題を解決する。 レコメンデーション領域におけるディープニューラルネットワークの適用について、いくつかの研究で研究されているが、視覚情報やテキスト情報などの非構造化補助データを利用してエンティティの特徴を抽出することがほとんどであり、ユーザ・イット・レーティング・マトリックスを使用する場合、特徴抽出は行列分解を用いて行われる。 行列分解にはいくつかの制限があるため、それをディープニューラルネットワークに置き換える作業が行われている。 しかし、これらはアイテムのレビューやイメージのような構造化されていないデータを利用する必要があるか、暗黙のデータを使用するように特別に設計されており、ユーザイテム評価マトリックスを考慮していない。 本稿では,評価行列からユーザとアイテムの表現を抽出するための新しい表現学習アルゴリズムの利用について検討し,協調フィルタリングのためのディープニューラルネットワークを提供する。 提案手法は,Representation eXtraction と Deep Neural NETwork (RexNet) の2つの相からなるモジュラーアルゴリズムである。 RexNetで2つのジョイントニューラルネットワークと並列ニューラルネットワークを使用することで、各エンティティの機能階層を抽出して、ユーザからアイテムへの関心度を予測することが可能になる。 結果の予測は最終勧告に使用される。 他のディープラーニング推奨アプローチとは異なり、RexNetは視覚情報やテキスト情報などの構造化されていない補助データに依存しない。 我々はRexNetを,アートレコメンデーション手法の現状に対する広範な実験で評価した。 その結果、RexNetは密度の異なるさまざまなデータセットにおいて、ベースラインアルゴリズムを著しく上回ることがわかった。

関連論文リスト

• Deep Feature Embedding for Tabular Data [2.1301560294088318]
  本稿では,軽量なディープニューラルネットワークを利用した新しいディープ埋め込みフレームワークを提案する。 数値的特徴量には、2段階の特徴展開と深層変換法が用いられる。 実世界のデータセットを用いて実験を行い、性能評価を行った。
  論文  参考訳（メタデータ） (2024-08-30T10:05:24Z)
• Sample Complexity of Preference-Based Nonparametric Off-Policy Evaluation with Deep Networks [58.469818546042696]
  我々は、OPEのサンプル効率を人間の好みで研究し、その統計的保証を確立する。 ReLUネットワークのサイズを適切に選択することにより、マルコフ決定過程において任意の低次元多様体構造を活用できることが示される。
  論文  参考訳（メタデータ） (2023-10-16T16:27:06Z)
• Provable Data Subset Selection For Efficient Neural Network Training [73.34254513162898]
  本稿では,任意の放射基底関数ネットワーク上での入力データの損失を近似する,emphRBFNNのコアセットを構成するアルゴリズムについて紹介する。 次に、一般的なネットワークアーキテクチャやデータセット上で、関数近似とデータセットサブセットの選択に関する経験的評価を行う。
  論文  参考訳（メタデータ） (2023-03-09T10:08:34Z)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• Towards Better Out-of-Distribution Generalization of Neural Algorithmic Reasoning Tasks [51.8723187709964]
  ニューラルネットワーク推論タスクのOOD一般化について検討する。 目標は、ディープニューラルネットワークを使用して入出力ペアからアルゴリズムを学ぶことである。
  論文  参考訳（メタデータ） (2022-11-01T18:33:20Z)
• Explainable Deep Belief Network based Auto encoder using novel Extended Garson Algorithm [6.228766191647919]
  我々はDeep Belief Network based Auto-Encoder (DBNA) を説明するアルゴリズムを開発した。 DBN内の各入力機能のコントリビューションを決定するために使用される。 この方法によって同定された重要な特徴は、ウォルドチ広場(chi2)で得られたものと比較される。
  論文  参考訳（メタデータ） (2022-07-18T10:44:02Z)
• TextConvoNet:A Convolutional Neural Network based Architecture for Text Classification [0.34410212782758043]
  CNNベースのアーキテクチャTextConvoNetは、文内n-gram特徴を抽出するだけでなく、入力されたテキストデータ中の文間n-gram特徴をキャプチャする。 実験の結果,提案したTextConvoNetは,テキスト分類のための最先端の機械学習モデルやディープラーニングモデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-03-10T06:09:56Z)
• DANets: Deep Abstract Networks for Tabular Data Classification and Regression [9.295859461145783]
  Abstract Layer (AbstLay)は、相関的な入力機能を明示的にグループ化し、セマンティクスの抽象化のための高レベルな機能を生成する。 表形式のデータ分類と回帰のためのDeep Abstract Networks (DANets) のファミリー。
  論文  参考訳（メタデータ） (2021-12-06T12:15:28Z)
• Deep ensembles based on Stochastic Activation Selection for Polyp Segmentation [82.61182037130406]
  本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。 イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。 我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
  論文  参考訳（メタデータ） (2021-04-02T02:07:37Z)
• Solving Mixed Integer Programs Using Neural Networks [57.683491412480635]
  本稿では,mipソルバの2つのキーサブタスクに学習を適用し,高品質なジョイント変数割当を生成し,その割当と最適課題との客観的値の差を限定する。 提案手法は,ニューラルネットワークに基づく2つのコンポーネントであるニューラルダイバーディングとニューラルブランチを構築し,SCIPなどのベースMIPソルバで使用する。 2つのGoogle生産データセットとMIPLIBを含む6つの現実世界データセットに対するアプローチを評価し、それぞれに別々のニューラルネットワークをトレーニングする。
  論文  参考訳（メタデータ） (2020-12-23T09:33:11Z)
• Neural Representations in Hybrid Recommender Systems: Prediction versus Regularization [8.384351067134999]
  我々は、予測のための神経表現(NRP)フレームワークを定義し、オートエンコーダベースのレコメンデーションシステムに適用する。 また、NRPフレームワークを、ユーザやアイテム情報を再構成することなく評価を予測できる直接ニューラルネットワーク構造に適用する。 その結果、ニューラル表現は正規化よりも予測に優れており、NRPフレームワークと直接ニューラルネットワーク構造が組み合わさって、予測タスクにおける最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-10-12T23:12:49Z)

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。