論文の概要: Personalized Adaptive Meta Learning for Cold-start User Preference Prediction

• arxiv url: http://arxiv.org/abs/2012.11842v1
• Date: Tue, 22 Dec 2020 05:48:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-26 07:19:54.673687
• Title: Personalized Adaptive Meta Learning for Cold-start User Preference Prediction
• Title（参考訳）: ユーザ嗜好予測のためのパーソナライズされた適応型メタ学習
• Authors: Runsheng Yu, Yu Gong, Xu He, Bo An, Yu Zhu, Qingwen Liu, Wenwu Ou
• Abstract要約: パーソナライズされたユーザーの嗜好予測における共通の課題は、コールドスタート問題である。 メジャーユーザとマイナーユーザの両方を考慮するために,新たなパーソナライズ型適応型メタラーニング手法を提案する。 本手法は, マイノリティとメジャーユーザの両方に対して, 最先端の手法を劇的に向上させる。
• 参考スコア（独自算出の注目度）: 46.65783845757707
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A common challenge in personalized user preference prediction is the cold-start problem. Due to the lack of user-item interactions, directly learning from the new users' log data causes serious over-fitting problem. Recently, many existing studies regard the cold-start personalized preference prediction as a few-shot learning problem, where each user is the task and recommended items are the classes, and the gradient-based meta learning method (MAML) is leveraged to address this challenge. However, in real-world application, the users are not uniformly distributed (i.e., different users may have different browsing history, recommended items, and user profiles. We define the major users as the users in the groups with large numbers of users sharing similar user information, and other users are the minor users), existing MAML approaches tend to fit the major users and ignore the minor users. To address this cold-start task-overfitting problem, we propose a novel personalized adaptive meta learning approach to consider both the major and the minor users with three key contributions: 1) We are the first to present a personalized adaptive learning rate meta-learning approach to improve the performance of MAML by focusing on both the major and minor users. 2) To provide better personalized learning rates for each user, we introduce a similarity-based method to find similar users as a reference and a tree-based method to store users' features for fast search. 3) To reduce the memory usage, we design a memory agnostic regularizer to further reduce the space complexity to constant while maintain the performance. Experiments on MovieLens, BookCrossing, and real-world production datasets reveal that our method outperforms the state-of-the-art methods dramatically for both the minor and major users.
• Abstract（参考訳）: パーソナライズされたユーザの好み予測における一般的な課題は、コールドスタート問題である。 ユーザ-テーマ間インタラクションの欠如により、新しいユーザのログデータから直接学習することは、深刻な過剰フィッティング問題を引き起こす。 近年,コールドスタートのパーソナライズされた嗜好予測は,各ユーザがタスクであり,推奨項目がクラスであり,勾配に基づくメタラーニング手法(MAML)が課題に対処するために活用されている,数発の学習問題であると考える研究が数多く存在する。 しかし、現実世界のアプリケーションでは、ユーザーは均一に配布されない(例えば、異なるユーザーが異なるブラウジング履歴、推奨アイテム、ユーザープロファイルを持つ)。 我々は,多数のユーザが同じユーザ情報を共有しているグループ内のユーザとしてメジャーユーザを定義し,他のユーザがマイナーユーザである,既存のMAMLアプローチがメジャーユーザに適合し,マイナーユーザを無視する傾向にある。 このコールドスタートタスクオーバーフィッティング問題に対処するため,本研究では,メジャーユーザとマイナーユーザの両方に3つの重要なコントリビューションを付与する,パーソナライズされた適応型メタ学習アプローチを提案する。 2)各ユーザに対してよりパーソナライズされた学習率を提供するために,類似したユーザを参照として見つけるための類似性に基づく手法と,高速検索のためのユーザの機能を格納するツリーベース手法を提案する。 3)メモリ使用量を削減するため,メモリ非依存の正規化器を設計し,性能を維持しながら空間の複雑さをさらに一定に抑える。 MovieLens、BookCrossing、および実世界のプロダクションデータセットの実験により、我々の手法は、マイナーユーザとメジャーユーザの両方にとって、最先端の手法を劇的に上回ります。

関連論文リスト

• Improved Diversity-Promoting Collaborative Metric Learning for Recommendation [127.08043409083687]
  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） (2024-09-02T07:44:48Z)
• User Inference Attacks on Large Language Models [26.616016510555088]
  ファインチューニング(英: Fine-tuning)は、大規模言語モデル(LLM)を特定のタスクやアプリケーションに合わせるための、一般的で効果的な方法である。 ユーザデータに対する微調整LDMのプライバシーへの影響について検討する。
  論文  参考訳（メタデータ） (2023-10-13T17:24:52Z)
• Explainable Active Learning for Preference Elicitation [0.0]
  我々は、最小限のユーザ労力で情報取得を最大化することを目的として、この問題を解決するためにアクティブラーニング(AL)を採用している。 ALは、大きなラベルのない集合から情報的データを選択して、それらをラベル付けするオラクルを問い合わせる。 ベースとなる機械学習(ML)モデルを更新するために、ユーザからのフィードバック(提示された項目に関するシステムの説明のために)を情報的なサンプルから収集する。
  論文  参考訳（メタデータ） (2023-09-01T09:22:33Z)
• Meta-Learning with Adaptive Weighted Loss for Imbalanced Cold-Start Recommendation [4.379304291229695]
  本稿では,勾配に基づくメタラーニングに基づく新しいシーケンシャルレコメンデーションフレームワークを提案する。 私たちの仕事は、コールドスタートシーケンシャルなレコメンデーションシナリオにおいて、不均衡な評価の影響に最初に取り組みます。
  論文  参考訳（メタデータ） (2023-02-28T15:18:42Z)
• RESUS: Warm-Up Cold Users via Meta-Learning Residual User Preferences in CTR Prediction [14.807495564177252]
  コールドユーザーに対するCTR(Click-Through Rate)予測は、レコメンデーションシステムにおいて難しい課題である。 本稿では,グローバルな嗜好知識の学習を,個々のユーザの残留嗜好の学習から切り離す,RESUSという新しい,効率的なアプローチを提案する。 本手法は, コールドユーザに対するCTR予測精度の向上に有効であり, 各種最先端手法と比較して有効である。
  論文  参考訳（メタデータ） (2022-10-28T11:57:58Z)
• 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)
• Diverse Preference Augmentation with Multiple Domains for Cold-start Recommendations [92.47380209981348]
  メタラーニングをベースとした多元的ドメインを用いた多元的推論拡張フレームワークを提案する。 我々は、疎結合の場合の過度な適合を扱うために、新しい関心領域において多様な評価を生成する。 これらの評価は、選好メタラーナーを学ぶためのメタトレーニング手順に導入され、優れた一般化能力が得られる。
  論文  参考訳（メタデータ） (2022-04-01T10:10:50Z)
• Low-Cost Algorithmic Recourse for Users With Uncertain Cost Functions [74.00030431081751]
  本稿では,ユーザ固有のコスト関数の概念を定式化し,ユーザのための行動可能なリコースを識別する新しい手法を提案する。 本手法は,強いベースライン法に比べて最大25.89パーセントのユーザを満足させる。
  論文  参考訳（メタデータ） (2021-11-01T19:49:35Z)
• Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
  コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。 MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
  論文  参考訳（メタデータ） (2021-10-18T08:11:24Z)

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。