論文の概要: Variation Control and Evaluation for Generative SlateRecommendations
- arxiv url: http://arxiv.org/abs/2102.13302v1
- Date: Fri, 26 Feb 2021 05:04:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-01 13:43:50.560743
- Title: Variation Control and Evaluation for Generative SlateRecommendations
- Title（参考訳）: 世代別スレートレコメンデーションの変動制御と評価
- Authors: Shuchang Liu, Fei Sun, Yingqiang Ge, Changhua Pei, Yongfeng Zhang
- Abstract要約: アイテムの摂動はスレート変動を強制し,生成スレートの過剰濃度を緩和できることを示した。
また,ピボット選択フェーズを生成プロセスから分離し,モデルが生成前に摂動を適用できるようにする。
- 参考スコア（独自算出の注目度）: 22.533997063750597
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Slate recommendation generates a list of items as a whole instead of ranking
each item individually, so as to better model the intra-list positional biases
and item relations. In order to deal with the enormous combinatorial space of
slates, recent work considers a generative solution so that a slate
distribution can be directly modeled. However, we observe that such approaches
-- despite their proved effectiveness in computer vision -- suffer from a
trade-off dilemma in recommender systems: when focusing on reconstruction, they
easily over-fit the data and hardly generate satisfactory recommendations; on
the other hand, when focusing on satisfying the user interests, they get
trapped in a few items and fail to cover the item variation in slates. In this
paper, we propose to enhance the accuracy-based evaluation with slate variation
metrics to estimate the stochastic behavior of generative models. We illustrate
that instead of reaching to one of the two undesirable extreme cases in the
dilemma, a valid generative solution resides in a narrow "elbow" region in
between. And we show that item perturbation can enforce slate variation and
mitigate the over-concentration of generated slates, which expand the "elbow"
performance to an easy-to-find region. We further propose to separate a pivot
selection phase from the generation process so that the model can apply
perturbation before generation. Empirical results show that this simple
modification can provide even better variance with the same level of accuracy
compared to post-generation perturbation methods.
- Abstract（参考訳）: slateレコメンデーションは、各項目を個別にランク付けする代わりに、項目全体のリストを生成し、リスト内の位置バイアスと項目関係をより良くモデル化する。
膨大なスレートの組合せ空間に対処するため、近年の研究では、スレート分布を直接モデル化できる生成的解を検討している。
しかし、そのようなアプローチは、コンピュータビジョンにおける効果が証明されているにもかかわらず、レコメンダーシステムにおけるトレードオフジレンマに苦しんでいることを我々は観察する:再構築に焦点を当てるとき、彼らは簡単にデータをオーバーフィットし、満足のいくレコメンデーションを生成しません。
本稿では,スレート変動測定値を用いた精度に基づく評価を強化し,生成モデルの確率的挙動を推定する。
ジレンマの2つの望ましくない極端なケースの1つに到達する代わりに、有効な生成解は、その中間の狭い「肘」領域に存在する。
また, 項目摂動はスレート変動を強制し, 生成したスレートの過度な集中を緩和し, 「肘」 性能を到達し易い領域に拡張することを示した。
さらに、モデルが生成前に摂動を適用できるように、ピボット選択フェーズを生成プロセスから分離することを提案する。
実験により、この単純な修正は、後世代の摂動法と比較して、同じレベルの精度でより優れたばらつきをもたらすことが示された。
関連論文リスト
- Prototype Clustered Diffusion Models for Versatile Inverse Problems [11.55838697574475]
測定に基づく確率は、逆の確率的図形方向を通した復元に基づく確率で再現可能であることを示す。
提案手法は, サンプル品質を考慮に入れた逆問題に対処し, 精度の高い劣化制御を実現する。
論文 参考訳（メタデータ） (2024-07-13T04:24:53Z) - Distributionally Robust Recourse Action [12.139222986297263]
recourseアクションは、別の結果を受け取るためにインスタンスを修正できる特定の方法を示すことで、特定のアルゴリズム上の決定を説明することを目的としている。
本研究では、モデルシフトの混合の下で有効となる確率の高いリコースアクションを生成する分散ロバスト・リコース・アクション(DiRRAc)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-22T08:52:01Z) - Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。
AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。
誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
論文 参考訳（メタデータ） (2022-09-22T04:32:51Z) - Fine-grained Retrieval Prompt Tuning [149.9071858259279]
微粒な検索プロンプトチューニングは, サンプルプロンプトと特徴適応の観点から, きめの細かい検索タスクを実行するために, 凍結した事前学習モデルを操る。
学習可能なパラメータが少ないFRPTは、広く使われている3つの細粒度データセットの最先端性能を実現する。
論文 参考訳（メタデータ） (2022-07-29T04:10:04Z) - Sequential Recommendation via Stochastic Self-Attention [68.52192964559829]
Transformerベースのアプローチでは、アイテムをベクトルとして埋め込んで、ドット積の自己アテンションを使用してアイテム間の関係を測定する。
本稿では,これらの問題を克服するための新しいtextbfStochastic textbfSelf-textbfAttention (STOSA) を提案する。
我々は、アイテムと項目の位置関係を列で特徴づける新しいワッサースタイン自己保持モジュールを考案した。
論文 参考訳（メタデータ） (2022-01-16T12:38:45Z) - Modeling Sequences as Distributions with Uncertainty for Sequential
Recommendation [63.77513071533095]
既存のシーケンシャルメソッドの多くは、ユーザが決定論的であると仮定する。
項目-項目遷移は、いくつかの項目において著しく変動し、ユーザの興味のランダム性を示す。
本稿では,不確実性を逐次モデルに注入する分散型トランスフォーマーシークエンシャルレコメンデーション(DT4SR)を提案する。
論文 参考訳（メタデータ） (2021-06-11T04:35:21Z) - A Twin Neural Model for Uplift [59.38563723706796]
Upliftは条件付き治療効果モデリングの特定のケースです。
相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。
本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
論文 参考訳（メタデータ） (2021-05-11T16:02:39Z) - Deconfounding Scores: Feature Representations for Causal Effect
Estimation with Weak Overlap [140.98628848491146]
推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。
分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。
特に,この手法が標準正規化の魅力的な代替となることを示す。
論文 参考訳（メタデータ） (2021-04-12T18:50:11Z)
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。