論文の概要: Dual-embedding based Neural Collaborative Filtering for Recommender Systems

• arxiv url: http://arxiv.org/abs/2102.02549v2
• Date: Fri, 5 Feb 2021 11:12:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-08 13:04:55.698987
• Title: Dual-embedding based Neural Collaborative Filtering for Recommender Systems
• Title（参考訳）: リコメンダシステムのためのデュアルエンベディングに基づくニューラルコラボレーティブフィルタリング
• Authors: Gongshan He, Dongxing Zhao, Lixin Ding
• Abstract要約: 本稿では,DNCF をベースとしたニューラル・コラボレーティブ・フィルタリングのために,DNCF という汎用的な協調フィルタリングフレームワークを提案する。 ユーザ(アイテム)に対するプリミティブな埋め込みの学習に加えて,インタラクションされたアイテム(ユーザ)の観点から追加的な埋め込みを導入し,ユーザ(item)表現を拡大する。
• 参考スコア（独自算出の注目度）: 0.7949579654743338
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Among various recommender techniques, collaborative filtering (CF) is the most successful one. And a key problem in CF is how to represent users and items. Previous works usually represent a user (an item) as a vector of latent factors (aka. \textit{embedding}) and then model the interactions between users and items based on the representations. Despite its effectiveness, we argue that it's insufficient to yield satisfactory embeddings for collaborative filtering. Inspired by the idea of SVD++ that represents users based on themselves and their interacted items, we propose a general collaborative filtering framework named DNCF, short for Dual-embedding based Neural Collaborative Filtering, to utilize historical interactions to enhance the representation. In addition to learning the primitive embedding for a user (an item), we introduce an additional embedding from the perspective of the interacted items (users) to augment the user (item) representation. Extensive experiments on four publicly datasets demonstrated the effectiveness of our proposed DNCF framework by comparing its performance with several traditional matrix factorization models and other state-of-the-art deep learning based recommender models.
• Abstract（参考訳）: 様々な推奨技術の中で、協調フィルタリング(CF)が最も成功しています。 そしてCFの重要な問題は、ユーザとアイテムの表現方法だ。 以前の作品は通常、ユーザ(アイテム)を潜在要因(別名)のベクトルとして表現する。 次に、表現に基づいてユーザとアイテム間のインタラクションをモデル化します。 その効果にもかかわらず、協調フィルタリングのための十分な埋め込みを得るには不十分であると主張する。 SVD++のアイデアにインスパイアされ、ユーザ自身と相互作用したアイテムに基づいて、DNCFという、Dual-embeddingベースのニューラルネットワーク協調フィルタリングの略である一般的な協調フィルタリングフレームワークを提案します。 ユーザ(アイテム)に対するプリミティブな埋め込みの学習に加えて,インタラクションされたアイテム(ユーザ)の観点から追加的な埋め込みを導入し,ユーザ(item)表現を拡大する。 提案したDNCFフレームワークの有効性を,従来の行列因数分解モデルや他の最先端のディープラーニングベースレコメンデータモデルと比較することにより,4つの公開データセットに対する大規模な実験により実証した。

関連論文リスト

• Personalized Federated Collaborative Filtering: A Variational AutoEncoder Approach [49.63614966954833]
  Federated Collaborative Filtering (FedCF)は、プライバシを保護する新しいレコメンデーションフレームワークの開発に焦点を当てた新興分野である。 本稿では,ユーザのパーソナライズされた情報を潜在変数とニューラルモデルに同時に保存することで,新たなパーソナライズされたFedCF手法を提案する。 提案フレームワークを効果的に学習するために,ユーザインタラクションベクトル再構成と欠落した値予測を統合することで,特殊変分オートエンコーダ(VAE)タスクとして問題をモデル化する。
  論文  参考訳（メタデータ） (2024-08-16T05:49:14Z)
• Cross-Attribute Matrix Factorization Model with Shared User Embedding [0.5266869303483376]
  我々は,ユーザとアイテム間のインタラクションだけでなく,関連する属性の横断性も考慮した改良されたNeuMFモデルを提案する。 提案アーキテクチャは共有ユーザ埋め込みを特徴とし,ユーザ埋め込みとシームレスに統合することにより,ロバスト性を損なうとともに,コールドスタート問題に効果的に対処する。
  論文  参考訳（メタデータ） (2023-08-14T17:15:37Z)
• UIPC-MF: User-Item Prototype Connection Matrix Factorization for Explainable Collaborative Filtering [2.921387082153523]
  プロトタイプベースの行列分解手法であるUIPC-MFを提案する。 説明可能性を高めるために、UIPC-MFは、推奨のためのユーザとアイテムのプロトタイプ間の関連性を反映した接続重みを学習する。 UIPC-MFは、3つのデータセットでHit RatioとNormalized Discounted Cumulative Gainの点で、他のプロトタイプベースのベースラインメソッドよりも優れています。
  論文  参考訳（メタデータ） (2023-08-14T10:18:24Z)
• Towards Explainable Collaborative Filtering with Taste Clusters Learning [43.4512681951459]
  協調フィルタリング(CF)は、リコメンダシステムにおいて広く使われ、効果的な手法である。 レコメンデーションモデルに説明可能性を追加することは、意思決定プロセスにおける信頼を高めるだけでなく、複数のメリットも得る。 本稿では,解釈可能なクラスタ・ラーニングを生かした,クリーンで効果的なECF(Explainable Collaborative Filtering)モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-27T03:08:15Z)
• Broad Recommender System: An Efficient Nonlinear Collaborative Filtering Approach [56.12815715932561]
  我々はBroad Collaborative Filtering (BroadCF)と呼ばれる新しい広帯域リコメンデータシステムを提案する。 深層ニューラルネットワーク(DNN)の代わりに、ユーザとアイテム間の複雑な非線形関係を学習するためのマッピング機能として、Broad Learning System(BLS)が使用されている。 7つのベンチマークデータセットで実施された大規模な実験により、提案したBroadCFアルゴリズムの有効性が確認された。
  論文  参考訳（メタデータ） (2022-04-20T01:25:08Z)
• Consistent Collaborative Filtering via Tensor Decomposition [0.2578242050187029]
  協調フィルタリングは、ユーザのアクティビティを分析し、アイテムのレコメンデーションシステムを構築するためのデファクトスタンダードである。 Sliced Anti-symmetric Decomposition (SAD) は暗黙のフィードバックに基づく協調フィルタリングのための新しいモデルである。 我々は,100万以上のユーザ・イテムインタラクションを含むシミュレーションおよび実世界のデータセットにおいて,SADの効率を実証する。
  論文  参考訳（メタデータ） (2022-01-28T05:14:37Z)
• SelfCF: A Simple Framework for Self-supervised Collaborative Filtering [72.68215241599509]
  協調フィルタリング(CF)は、観測された相互作用からユーザやアイテムの情報的潜在表現を学習するために広く用いられている。 本稿では,暗黙的なフィードバックを伴うレコメンデータシナリオに特化して設計された自己教師型協調フィルタリングフレームワーク(SelfCF)を提案する。 自制フレームワークのBUIRと比較して,SelfCFは平均17.79%の精度向上を実現している。
  論文  参考訳（メタデータ） (2021-07-07T05:21:12Z)
• Sparse-Interest Network for Sequential Recommendation [78.83064567614656]
  本稿では,シーケンシャルレコメンデーションのためのtextbfSparse textbfInterest textbfNEtwork(SINE)を提案する。 我々のスパース関心モジュールは、大きなコンセプトプールから各ユーザに対してスパースの概念セットを適応的に推測することができる。 SINEは最先端の手法よりも大幅に改善できる。
  論文  参考訳（メタデータ） (2021-02-18T11:03:48Z)
• Dynamic Graph Collaborative Filtering [64.87765663208927]
  動的レコメンデーションは,逐次データに基づくリアルタイム予測を提供するレコメンデータシステムにとって不可欠である。 本稿では、動的グラフを利用して協調関係とシーケンシャル関係をキャプチャする新しいフレームワーク、Dynamic Graph Collaborative Filtering (DGCF)を提案する。 提案手法は, 動的協調情報の統合の有効性を示すため, 動作繰り返しの少ないデータセットでは高い性能を実現する。
  論文  参考訳（メタデータ） (2021-01-08T04:16:24Z)
• Disentangled Graph Collaborative Filtering [100.26835145396782]
  Disentangled Graph Collaborative Filtering (DGCF)は、インタラクションデータからユーザとアイテムの情報表現を学ぶための新しいモデルである。 ユーザ・イテムのインタラクション毎に意図を超越した分布をモデル化することにより、インテント・アウェアなインタラクショングラフと表現を反復的に洗練する。 DGCFはNGCF、DisenGCN、MacridVAEといった最先端モデルよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2020-07-03T15:37:25Z)

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。