論文の概要: Generating Artificial Core Users for Interpretable Condensed Data
- arxiv url: http://arxiv.org/abs/2102.03674v1
- Date: Sat, 6 Feb 2021 21:53:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-09 15:22:24.899314
- Title: Generating Artificial Core Users for Interpretable Condensed Data
- Title(参考訳): 解釈可能な凝縮データのための人工コアユーザ生成
- Authors: Amy Nesky and Quentin F. Stout
- Abstract要約: 本稿では,実際のコアユーザデータから,ACU(Artificial Core Users)の小さなセットを生成する手法を提案する。
当社のACUは、高い評価情報を持ち、実際のCore Usersの推奨性能を改善しつつ、解釈可能なままです。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recent work has shown that in a dataset of user ratings on items there exists
a group of Core Users who hold most of the information necessary for
recommendation. This set of Core Users can be as small as 20 percent of the
users. Core Users can be used to make predictions for out-of-sample users
without much additional work. Since Core Users substantially shrink a ratings
dataset without much loss of information, they can be used to improve
recommendation efficiency. We propose a method, combining latent factor models,
ensemble boosting and K-means clustering, to generate a small set of Artificial
Core Users (ACUs) from real Core User data. Our ACUs have dense rating
information, and improve the recommendation performance of real Core Users
while remaining interpretable.
- Abstract(参考訳): 最近の研究によると、アイテムのユーザレーティングのデータセットには、推奨に必要な情報のほとんどを保持するコアユーザのグループが存在している。
コアユーザーのこのセットは、ユーザーの20%まで小さくすることができます。
Core Userは、余計な作業なしで、サンプル外ユーザの予測に使用できる。
Core Usersは情報を失うことなくレーティングデータセットを大幅に縮小するため、レコメンデーション効率を改善するために使用できます。
本論文では,潜在因子モデル,アンサンブルブースト,K平均クラスタリングを組み合わせて,実際のコアユーザデータから人工コアユーザ(ACU)の小集合を生成する手法を提案する。
当社のACUは、高い評価情報を持ち、実際のCore Usersの推奨性能を改善しつつ、解釈可能なままです。
関連論文リスト
- Dissertation: On the Theoretical Foundation of Model Comparison and Evaluation for Recommender System [4.76281731053599]
レコメンダシステムは、ユーザの履歴データを利用して顧客の興味を推測し、パーソナライズされたレコメンデーションを提供する。
協調フィルタリング(Collaborative filtering)は、複数のユーザのレーティングを使用して、欠落したレーティングを予測するレコメンデーションアルゴリズムの1つである。
Recommender システムはより複雑になり、コンテンツベースの属性やユーザインタラクション、コンテキスト情報などの補助的なデータを組み込むことができる。
論文 参考訳(メタデータ) (2024-11-04T06:31:52Z) - Quantifying User Coherence: A Unified Framework for Cross-Domain Recommendation Analysis [69.37718774071793]
本稿では,レコメンデーションシステムを理解するための新しい情報理論手法を提案する。
9つのデータセットで7つのレコメンデーションアルゴリズムを評価し、測定値と標準的なパフォーマンス指標の関係を明らかにする。
論文 参考訳(メタデータ) (2024-10-03T13:02:07Z) - Cluster-based Graph Collaborative Filtering [55.929052969825825]
グラフ畳み込みネットワーク(GCN)は、レコメンデーションシステムのためのユーザおよびアイテム表現の学習に成功している。
既存のGCNベースのほとんどのメソッドは、高階グラフ畳み込みを実行しながら、ユーザの複数の関心事を見落としている。
クラスタベースグラフ協調フィルタリング(ClusterGCF)と呼ばれる新しいGCNベースのレコメンデーションモデルを提案する。
論文 参考訳(メタデータ) (2024-04-16T07:05:16Z) - Knowledge-Enhanced Recommendation with User-Centric Subgraph Network [38.814514460928386]
本稿では,知識強化型ユーザ中心サブグラフネットワーク(KUCNet)を効果的に推奨する。
KUCNetはグラフニューラルネットワーク(GNN)を用いたグラフ学習アプローチで、効果的な推奨を行う。
提案手法は,特に新しい項目に対する精度,効率,解釈可能なレコメンデーションを実現する。
論文 参考訳(メタデータ) (2024-03-21T13:09:23Z) - Composable Core-sets for Diversity Approximation on Multi-Dataset
Streams [4.765131728094872]
構成可能なコアセットはコアセットであり、コアセットのサブセットを結合して元のデータに対する近似を得るという性質を持つ。
本研究では,構成可能なコアセットを構築するためのコアセット構築アルゴリズムを導入し,アクティブな学習環境におけるストリームデータを要約する。
論文 参考訳(メタデータ) (2023-08-10T23:24:51Z) - Less Can Be More: Exploring Population Rating Dispositions with
Partitioned Models in Recommender Systems [1.4279471205248533]
評価の異なる利用者は推薦システムが異なる場合がある。
このようなパーティショニングにより計算効率は向上するが、トップk性能と予測精度も向上する。
論文 参考訳(メタデータ) (2023-06-20T04:16:53Z) - Meta Clustering Learning for Large-scale Unsupervised Person
Re-identification [124.54749810371986]
メタクラスタリング学習(MCL)と呼ばれる「大規模タスクのための小さなデータ」パラダイムを提案する。
MCLは、第1フェーズのトレーニングのためにコンピューティングを節約するためにクラスタリングを介して、未ラベルデータのサブセットを擬似ラベル付けするのみである。
提案手法は計算コストを大幅に削減すると同時に,従来よりも優れた性能を実現している。
論文 参考訳(メタデータ) (2021-11-19T04:10:18Z) - 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) - Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。
本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
論文 参考訳(メタデータ) (2020-10-02T07:11:19Z) - How to Put Users in Control of their Data in Federated Top-N
Recommendation with Learning to Rank [16.256897977543982]
FPLは、ユーザがデバイスを離れる機密データの量を制御しながら、中央分解モデルのトレーニングに協力するアーキテクチャである。
提案手法は,フェデレートラーニングの原則に従うことで,ペアワイズ学習とランク最適化を実現する。
論文 参考訳(メタデータ) (2020-08-17T10:13:15Z) - Mining Implicit Entity Preference from User-Item Interaction Data for
Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。
我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。
利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
論文 参考訳(メタデータ) (2020-03-28T05:47:33Z)
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。