論文の概要: UserReg: A Simple but Strong Model for Rating Prediction

• arxiv url: http://arxiv.org/abs/2102.07601v1
• Date: Mon, 15 Feb 2021 15:44:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-16 18:30:28.462064
• Title: UserReg: A Simple but Strong Model for Rating Prediction
• Title（参考訳）: UserReg: レーティング予測のためのシンプルで強力なモデル
• Authors: Haiyang Zhang, Ivan Ganchev, Nikola S. Nikolov, Mark Stevenson
• Abstract要約: 協調フィルタリング(CF)は、レコメンダーシステムの分野で大きな成功を収めています。 本稿では, マトリックスファクタリゼーション(MF)に基づく簡易線形モデルであるUserRegを提案し, 評価予測のための明示的なフィードバックを用いてユーザの潜在表現を正規化する。 実験の結果,userregは,検討した基準値よりも全体的な性能が向上し,最近提案された他のモデルと比較した場合の競争力も高いことがわかった。
• 参考スコア（独自算出の注目度）: 12.149991243126808
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Collaborative filtering (CF) has achieved great success in the field of recommender systems. In recent years, many novel CF models, particularly those based on deep learning or graph techniques, have been proposed for a variety of recommendation tasks, such as rating prediction and item ranking. These newly published models usually demonstrate their performance in comparison to baselines or existing models in terms of accuracy improvements. However, others have pointed out that many newly proposed models are not as strong as expected and are outperformed by very simple baselines. This paper proposes a simple linear model based on Matrix Factorization (MF), called UserReg, which regularizes users' latent representations with explicit feedback information for rating prediction. We compare the effectiveness of UserReg with three linear CF models that are widely-used as baselines, and with a set of recently proposed complex models that are based on deep learning or graph techniques. Experimental results show that UserReg achieves overall better performance than the fine-tuned baselines considered and is highly competitive when compared with other recently proposed models. We conclude that UserReg can be used as a strong baseline for future CF research.
• Abstract（参考訳）: 協調フィルタリング(CF)は、レコメンダーシステムの分野で大きな成功を収めています。 近年,多くの新しいCFモデル,特にディープラーニングやグラフ技術に基づくモデルが,評価予測や項目ランキングなど,様々な推奨課題に対して提案されている。 新たに公開されたモデルは通常、精度向上の観点から、ベースラインや既存のモデルと比較してパフォーマンスを示す。 しかし、多くの新しく提案されたモデルは予想したほど強くはなく、非常に単純なベースラインよりも優れているという指摘もある。 本稿では, マトリックスファクタリゼーション(MF)に基づく簡易線形モデルであるUserRegを提案し, 評価予測のための明示的なフィードバック情報を用いてユーザの潜在表現を正規化する。 本研究では,ベースラインとして広く利用されている3つの線形cfモデルと,ディープラーニングやグラフ技術に基づく最近提案されている複合モデルとの比較を行った。 実験の結果,userregは,検討した基準値よりも全体的な性能が向上し,最近提案された他のモデルと比較した場合の競争力も高いことがわかった。 UserRegは将来のCF研究の強力なベースラインとして利用できると結論づける。

関連論文リスト

• Performance Comparison of Session-based Recommendation Algorithms based on GNNs [6.617487928813376]
  セッションベースのレコメンデーション設定では、リコメンダシステムは長期的なユーザプロファイルにアクセスできない。 本稿では,GNNをベースとした8つの手法の評価結果について報告する。
  論文  参考訳（メタデータ） (2023-12-27T19:24:26Z)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• Attentive Graph-based Text-aware Preference Modeling for Top-N Recommendation [2.3991565023534083]
  我々はAttentive Graph-based Text-aware Recommendation Model (AGTM) という新しいモデルを提案する。 本研究では,項目テキストコンテンツと高次接続性の両方を効果的にモデル化し,トップNレコメンデーションをさらに改善することを目的としている。
  論文  参考訳（メタデータ） (2023-05-22T12:32:06Z)
• Universal Domain Adaptation from Foundation Models: A Baseline Study [58.51162198585434]
  基礎モデルを用いた最先端UniDA手法の実証的研究を行った。 CLIPモデルからターゲット知識を抽出するためのパラメータフリーな手法であるtextitCLIP 蒸留を導入する。 単純な手法ではあるが、ほとんどのベンチマークタスクでは従来の手法よりも優れている。
  論文  参考訳（メタデータ） (2023-05-18T16:28:29Z)
• Multidimensional Item Response Theory in the Style of Collaborative Filtering [0.8057006406834467]
  本稿では,多次元項目応答理論(MIRT)に対する機械学習手法を提案する。 協調フィルタリングに触発されて、多くのMIRTモデルを含むモデルの一般的なクラスを定義します。 本稿では, 個人モデルとクロスバリデーションを推定し, 最適動作モデルを選択するために, ペナル化結合最大度(JML)の使用について論じる。
  論文  参考訳（メタデータ） (2023-01-03T00:56:27Z)
• Investigating Ensemble Methods for Model Robustness Improvement of Text Classifiers [66.36045164286854]
  既存のバイアス機能を分析し、すべてのケースに最適なモデルが存在しないことを実証します。 適切なバイアスモデルを選択することで、より洗練されたモデル設計でベースラインよりもロバスト性が得られる。
  論文  参考訳（メタデータ） (2022-10-28T17:52:10Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• Re-parameterizing Your Optimizers rather than Architectures [119.08740698936633]
  本稿では,モデル固有の事前知識を構造学に取り入れ,汎用モデル(簡易モデル)の学習に使用する新しいパラダイムを提案する。 実装として,モデル固有のハイパーパラメータの集合に従って勾配を変更することによって,事前知識を付加する手法を提案する。 Reprでトレーニングされた単純なモデルに対しては、VGGスタイルのプレーンモデルに注目し、ReprでトレーニングされたそのようなシンプルなモデルがRep-VGGと呼ばれ、最近のよく設計されたモデルと同等に動作することを示す。
  論文  参考訳（メタデータ） (2022-05-30T16:55:59Z)
• Top-N Recommendation with Counterfactual User Preference Simulation [26.597102553608348]
  ユーザーランキングに基づく好みの学習を目的としたTop-Nレコメンデーションは、長い間、広範囲のアプリケーションにおいて基本的な問題だった。 本稿では,データ不足問題に対処するため,因果推論フレームワーク内での推薦タスクの再構築を提案する。
  論文  参考訳（メタデータ） (2021-09-02T14:28:46Z)
• Interpretable Learning-to-Rank with Generalized Additive Models [78.42800966500374]
  ラーニング・ツー・ランクのモデルの解釈可能性は、非常に重要でありながら、比較的過小評価されている研究分野である。 解釈可能なランキングモデルの最近の進歩は、主に既存のブラックボックスランキングモデルに対するポストホックな説明の生成に焦点を当てている。 一般化加法モデル(GAM)をランキングタスクに導入することにより,本質的に解釈可能な学習 to ランクの基盤を築いた。
  論文  参考訳（メタデータ） (2020-05-06T01:51:30Z)

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。