論文の概要: GAN-based Recommendation with Positive-Unlabeled Sampling

• arxiv url: http://arxiv.org/abs/2012.06901v1
• Date: Sat, 12 Dec 2020 20:08:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-10 05:13:48.063293
• Title: GAN-based Recommendation with Positive-Unlabeled Sampling
• Title（参考訳）: 正の無ラベルサンプリングによるGANに基づく勧告
• Authors: Yao Zhou, Jianpeng Xu, Jun Wu, Zeinab Taghavi Nasrabadi, Evren Korpeoglu, Kannan Achan, Jingrui He
• Abstract要約: ポジティブなラベルなしサンプリング戦略を用いて,Generative Adversaunlabeled Networkベースのレコメンデーションフレームワークを提案する。 8つのランキングに基づく評価指標を用いた3つの公開データセット上で,提案フレームワークの有効性と効率を示す。
• 参考スコア（独自算出の注目度）: 38.13310245787665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender systems are popular tools for information retrieval tasks on a large variety of web applications and personalized products. In this work, we propose a Generative Adversarial Network based recommendation framework using a positive-unlabeled sampling strategy. Specifically, we utilize the generator to learn the continuous distribution of user-item tuples and design the discriminator to be a binary classifier that outputs the relevance score between each user and each item. Meanwhile, positive-unlabeled sampling is applied in the learning procedure of the discriminator. Theoretical bounds regarding positive-unlabeled sampling and optimalities of convergence for the discriminators and the generators are provided. We show the effectiveness and efficiency of our framework on three publicly accessible data sets with eight ranking-based evaluation metrics in comparison with thirteen popular baselines.
• Abstract（参考訳）: Recommender システムは、様々なウェブアプリケーションやパーソナライズされた製品で情報検索タスクを行う一般的なツールである。 本研究では,正の未ラベルサンプリング戦略を用いたジェネレーティブ・アドバイサル・ネットワークに基づくレコメンデーション・フレームワークを提案する。 具体的には,各ユーザと各アイテムの関連性スコアを出力するバイナリ分類器を識別器として設計し,ユーザ-項目タプルの連続分布を学習するためにジェネレータを利用する。 一方、判別器の学習手順には正の未ラベルサンプリングが適用される。 正の未ラベルサンプリングと判別器とジェネレータの収束の最適性に関する理論的境界が提供される。 ランキングに基づく評価基準を8つ有する3つの公開データセットに対して, フレームワークの有効性と有効性を示し, 人気ベースライン13と比較した。

関連論文リスト

• Evaluating Performance and Bias of Negative Sampling in Large-Scale Sequential Recommendation Models [0.0]
  大規模産業レコメンデーションモデルは、数百万から数十億のオプションを含むカタログから最も関連性の高いアイテムを予測する。 これらのモデルを効率的に訓練するために、関連する項目ごとに巨大なカタログから無関係な項目(負のサンプル)の小さなセットが選択される。 本研究は,大規模シーケンシャルレコメンデーションモデルの負サンプリング法を選択する際のトレードオフの実践的ガイドとして機能する。
  論文  参考訳（メタデータ） (2024-10-08T00:23:17Z)
• Text-Based Product Matching -- Semi-Supervised Clustering Approach [9.748519919202986]
  本稿では,半教師付きクラスタリング手法を用いた製品マッチングの新しい哲学を提案する。 実世界のデータセット上でIDECアルゴリズムを実験することにより,本手法の特性について検討する。
  論文  参考訳（メタデータ） (2024-02-01T18:52:26Z)
• ELECRec: Training Sequential Recommenders as Discriminators [94.93227906678285]
  シーケンシャルレコメンデーションは、しばしば生成タスク、すなわち、ユーザの関心事の次の項目を生成するためにシーケンシャルエンコーダを訓練すると考えられる。 我々は、ジェネレータではなく、識別器としてシーケンシャルレコメンデータを訓練することを提案する。 本手法は,サンプル項目が「現実の」対象項目であるか否かを識別するために識別器を訓練する。
  論文  参考訳（メタデータ） (2022-04-05T06:19:45Z)
• Bi-Discriminator Class-Conditional Tabular GAN [5.429166489331484]
  本稿では,連続列,二項列,離散列を含むデータセットを合成する二分法GANを提案する。 4つのベンチマーク公開データセットに対する実験結果は、GANの優れたパフォーマンスを裏付けるものである。
  論文  参考訳（メタデータ） (2021-11-12T03:31:28Z)
• 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)
• Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback based Recommendation [59.183016033308014]
  本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。 提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
  論文  参考訳（メタデータ） (2021-05-16T08:06:22Z)
• Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
  Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。 学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。 本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-15T10:08:39Z)
• MatchGAN: A Self-Supervised Semi-Supervised Conditional Generative Adversarial Network [51.84251358009803]
  本稿では,条件付き生成逆数ネットワーク(GAN)に対する,半教師付き環境下での自己教師型学習手法を提案する。 利用可能な数少ないラベル付きサンプルのラベル空間から無作為なラベルをサンプリングして拡張を行う。 本手法は,ベースラインのトレーニングに使用したラベル付きサンプルの20%に過ぎません。
  論文  参考訳（メタデータ） (2020-06-11T17:14:55Z)

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。