論文の概要: Modeling Dynamic User Interests: A Neural Matrix Factorization Approach
- arxiv url: http://arxiv.org/abs/2102.06602v1
- Date: Fri, 12 Feb 2021 16:24:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-15 13:25:10.761412
- Title: Modeling Dynamic User Interests: A Neural Matrix Factorization Approach
- Title（参考訳）: 動的ユーザ関心のモデリング:ニューラルマトリックス因子化アプローチ
- Authors: Paramveer Dhillon and Sinan Aral
- Abstract要約: 本稿では,行列分解の単純さとニューラルネットワークの柔軟性を組み合わせたモデルを提案する。
本モデルでは,ユーザのコンテンツ消費経路を非線形ユーザとコンテンツ要素に分解する。
当社のモデルを使って、ボストン・グローブ読者の5年間での動的ニュース消費利益を理解する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, there has been significant interest in understanding users'
online content consumption patterns. But, the unstructured, high-dimensional,
and dynamic nature of such data makes extracting valuable insights challenging.
Here we propose a model that combines the simplicity of matrix factorization
with the flexibility of neural networks to efficiently extract nonlinear
patterns from massive text data collections relevant to consumers' online
consumption patterns. Our model decomposes a user's content consumption journey
into nonlinear user and content factors that are used to model their dynamic
interests. This natural decomposition allows us to summarize each user's
content consumption journey with a dynamic probabilistic weighting over a set
of underlying content attributes. The model is fast to estimate, easy to
interpret and can harness external data sources as an empirical prior. These
advantages make our method well suited to the challenges posed by modern
datasets. We use our model to understand the dynamic news consumption interests
of Boston Globe readers over five years. Thorough qualitative studies,
including a crowdsourced evaluation, highlight our model's ability to
accurately identify nuanced and coherent consumption patterns. These results
are supported by our model's superior and robust predictive performance over
several competitive baseline methods.
- Abstract（参考訳）: 近年,ユーザのオンラインコンテンツ消費パターンを理解することへの関心が高まっている。
しかし、そのようなデータの非構造化、高次元、動的性質は、貴重な洞察の抽出を困難にします。
本稿では,行列ファクタリゼーションの単純化とニューラルネットワークの柔軟性を組み合わせて,消費者のオンライン消費パターンに関連する膨大なテキストデータコレクションから非線形パターンを効率的に抽出するモデルを提案する。
本モデルでは,ユーザのコンテンツ消費経路を,動的興味をモデル化するために使用される非線形ユーザとコンテンツファクタに分解する。
この自然な分解により、各ユーザのコンテンツ消費ジャーニーを、基礎となるコンテンツ属性のセットに対する動的確率重み付けで要約することができます。
モデルは推定が高速で、解釈が簡単で、外部データソースを経験的事前として活用することができる。
これらの利点により、この手法は現代のデータセットの課題によく適合します。
当社のモデルを使って、ボストン・グローブ読者の5年間での動的ニュース消費利益を理解する。
クラウドソースによる評価を含む詳細な質的研究は、ニュアンスとコヒーレントな消費パターンを正確に識別するモデルの能力を強調します。
これらの結果は、いくつかの競争力のあるベースライン方法よりも優れた堅牢な予測性能によってサポートされています。
関連論文リスト
- Corpus Considerations for Annotator Modeling and Scaling [9.263562546969695]
一般的に使われているユーザトークンモデルは、より複雑なモデルよりも一貫して優れています。
以上の結果から,コーパス統計とアノテータモデリング性能の関係が明らかになった。
論文 参考訳（メタデータ） (2024-04-02T22:27:24Z) - IGANN Sparse: Bridging Sparsity and Interpretability with Non-linear Insight [4.010646933005848]
IGANN Sparseは、一般化された加法モデルのファミリーから生まれた、新しい機械学習モデルである。
トレーニング中の非線形特徴選択プロセスを通じて、スパシティを促進する。
これにより、予測性能を犠牲にすることなく、モデル空間の改善による解釈可能性を保証する。
論文 参考訳（メタデータ） (2024-03-17T22:44:36Z) - Dynamic Model Switching for Improved Accuracy in Machine Learning [0.0]
そこで我々は,CatBoostとXGBoostの直感的に遷移する適応アンサンブルを導入する。
ユーザは、80%の精度でベンチマークを設定し、パフォーマンスの向上を保証する場合に限って、システムが新しいモデルに動的に移行するように促す。
この動的モデルスイッチング機構は、現実世界のシナリオにおけるデータの進化的な性質と一致する。
論文 参考訳（メタデータ） (2024-01-31T00:13:02Z) - CoDBench: A Critical Evaluation of Data-driven Models for Continuous
Dynamical Systems [8.410938527671341]
微分方程式を解くための11の最先端データ駆動モデルからなる総合ベンチマークスイートであるCodBenchを紹介する。
具体的には、Viz.、フィードフォワードニューラルネットワーク、ディープオペレータ回帰モデル、周波数ベースのニューラル演算子、トランスフォーマーアーキテクチャの4つの異なるカテゴリを評価する。
我々は、学習におけるオペレータの能力、ゼロショット超解像、データ効率、ノイズに対する堅牢性、計算効率を評価する広範な実験を行う。
論文 参考訳（メタデータ） (2023-10-02T21:27:54Z) - StableLLaVA: Enhanced Visual Instruction Tuning with Synthesized
Image-Dialogue Data [129.92449761766025]
本稿では,視覚的インストラクションチューニングのための画像と対話を同期的に合成する新しいデータ収集手法を提案する。
このアプローチは生成モデルのパワーを活用し、ChatGPTとテキスト・ツー・イメージ生成モデルの能力とを結合する。
本研究は,各種データセットを対象とした総合的な実験を含む。
論文 参考訳（メタデータ） (2023-08-20T12:43:52Z) - Dynamic Latent Separation for Deep Learning [67.62190501599176]
機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。
本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
論文 参考訳（メタデータ） (2022-10-07T17:56:53Z) - A Graph-Enhanced Click Model for Web Search [67.27218481132185]
ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。
セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
論文 参考訳（メタデータ） (2022-06-17T08:32:43Z) - Modeling Dynamic Attributes for Next Basket Recommendation [60.72738829823519]
このような動的属性のモデリングはレコメンデーション性能を高めることができると我々は主張する。
動的属性をモデル化する新しい注意ネットワーク(AnDa)を提案する。
論文 参考訳（メタデータ） (2021-09-23T21:31:17Z) - Meta-learning using privileged information for dynamics [66.32254395574994]
Neural ODE Processモデルを拡張して、Learning Using Privileged Information設定内の追加情報を使用します。
シミュレーション動的タスクの精度とキャリブレーションを向上した実験により拡張性を検証する。
論文 参考訳（メタデータ） (2021-04-29T12:18:02Z) - Uncover Residential Energy Consumption Patterns Using Socioeconomic and
Smart Meter Data [2.9340691207364786]
実世界のスマートメータデータを分析し,k-medoidsクラスタリングを用いて負荷パターンを抽出する。
負荷パターンと社会経済的特徴の関係を推定するために,特徴選択と深層学習モデルを用いた分析フレームワークを開発した。
論文 参考訳（メタデータ） (2021-04-12T01:57:14Z) - Explainable Matrix -- Visualization for Global and Local
Interpretability of Random Forest Classification Ensembles [78.6363825307044]
本研究では,ランダムフォレスト (RF) 解釈のための新しい可視化手法である Explainable Matrix (ExMatrix) を提案する。
単純なマトリックスのようなメタファで、行はルール、列は特徴、セルはルールを述語する。
ExMatrixの適用性は、異なる例を通じて確認され、RFモデルの解釈可能性を促進するために実際にどのように使用できるかを示している。
論文 参考訳（メタデータ） (2020-05-08T21:03:48Z)
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。