論文の概要: Recommending Burgers based on Pizza Preferences: Addressing Data
Sparsity with a Product of Experts
- arxiv url: http://arxiv.org/abs/2104.12822v1
- Date: Mon, 26 Apr 2021 18:56:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-28 13:20:15.431669
- Title: Recommending Burgers based on Pizza Preferences: Addressing Data
Sparsity with a Product of Experts
- Title（参考訳）: Pizza Preferencesに基づくバーガーのリコメンデーション - 専門家のプロダクトによるデータの分散への対応
- Authors: Martin Milenkoski, Diego Antognini, Claudiu Musat
- Abstract要約: ユーザの嗜好に関する知識が限られているドメインにおいて,データスパーシティに対処し,レコメンデーションを作成する手法を記述する。
直感は、ソースドメインのユーザとアイテムのインタラクションが、ターゲットドメインのレコメンデーション品質を高めることができるということです。
AmazonとYelpの2つの広く使われているデータセットの結果は、総合的なユーザー好みの知識がより良いレコメンデーションをもたらすという主張をサポートする。
- 参考スコア（独自算出の注目度）: 4.945620732698048
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper we describe a method to tackle data sparsity and create
recommendations in domains with limited knowledge about the user preferences.
We expand the variational autoencoder collaborative filtering from a
single-domain to a multi domain setting. The intuition is that user-item
interactions in a source domain can augment the recommendation quality in a
target domain. The intuition can be taken to its extreme, where, in a
cross-domain setup, the user history in a source domain is enough to generate
high quality recommendations in a target one. We thus create a
Product-of-Experts (POE) architecture for recommendations that jointly models
user-item interactions across multiple domains. The method is resilient to
missing data for one or more of the domains, which is a situation often found
in real life. We present results on two widely-used datasets - Amazon and Yelp,
which support the claim that holistic user preference knowledge leads to better
recommendations. Surprisingly, we find that in select cases, a POE recommender
that does not access the target domain user representation can surpass a strong
VAE recommender baseline trained on the target domain. We complete the analysis
with a study of the reasons behind this outperformance and an in-depth look at
the resulting embedding spaces.
- Abstract（参考訳）: 本稿では,ユーザの嗜好に関する知識が限られている領域において,データの分散に対処し,レコメンデーションを作成する手法について述べる。
本稿では,可変オートエンコーダ協調フィルタリングを単一ドメインからマルチドメインに拡張する。
直感的には、ソースドメインにおけるユーザとイテムの相互作用は、ターゲットドメインにおけるレコメンデーション品質を高めることができる。
ドメイン横断的な設定では、ソースドメインのユーザ履歴は、ターゲットのドメインで高品質なレコメンデーションを生成するのに十分です。
したがって、複数のドメイン間でのユーザ・イテムインタラクションを共同でモデル化するレコメンデーションのためのProduct-of-Experts(POE)アーキテクチャを作成します。
この方法は、1つ以上のドメインのデータ欠落に対して弾力性があり、実生活でよく見られる状況である。
AmazonとYelpの2つの広く使われているデータセットの結果は、総合的なユーザー好みの知識がより良いレコメンデーションをもたらすという主張をサポートする。
驚いたことに、特定のケースでは、ターゲットドメインのユーザ表現にアクセスできないPOEレコメンデータが、ターゲットドメインでトレーニングされた強力なVAEレコメンデータベースラインを超える可能性がある。
このアウトパフォーマンスの背後にある理由と、結果として生じる埋め込み空間を詳細に調べて分析を完成させる。
関連論文リスト
- Enhancing CTR Prediction in Recommendation Domain with Search Query Representation [31.86615693808628]
本稿では,ユーザ検索クエリの埋め込みから,レコメンデーションドメインにおけるユーザの好みのコンテキスト内で学習するフレームワークを提案する。
具体的には、検索ドメインからのユーザ検索クエリシーケンスを使用して、レコメンデーションドメインの次の時点にユーザーがクリックするアイテムを予測する。
論文 参考訳（メタデータ） (2024-10-28T19:52:09Z) - Coherence-guided Preference Disentanglement for Cross-domain Recommendations [71.4198675855171]
本研究では,共有項目属性を明示的に抽出し,共有ユーザの好みを学習するためのコヒーレンス誘導型参照不整合(CoPD)手法を提案する。
実世界のデータセットで行った実験は、既存の競争ベースラインよりも提案したCoPDの優れた性能を示し、ドメイン間の推薦性能を向上させる効果を強調した。
論文 参考訳（メタデータ） (2024-10-27T20:21:14Z) - Mixed Attention Network for Cross-domain Sequential Recommendation [63.983590953727386]
ドメイン固有・クロスドメイン情報を抽出するために,ローカル・グローバル・アテンション・モジュールを用いた混在注意ネットワーク(MAN)を提案する。
2つの実世界のデータセットに対する実験結果から,提案モデルの有効性が示された。
論文 参考訳（メタデータ） (2023-11-14T16:07:16Z) - Cross-domain recommendation via user interest alignment [20.387327479445773]
クロスドメインレコメンデーションは、複数のドメインからの知識を活用して、従来のレコメンデーションシステムにおけるデータの分散性とコールドスタートの問題を軽減することを目的としている。
このアプローチの一般的な実践は、各ドメインに個別にユーザ埋め込みをトレーニングし、それらを平易な方法で集約することです。
本稿では,2つのドメインの推薦性能を改善するために,新しいドメイン間推薦フレームワークであるCOASTを提案する。
論文 参考訳（メタデータ） (2023-01-26T23:54:41Z) - Diverse Preference Augmentation with Multiple Domains for Cold-start
Recommendations [92.47380209981348]
メタラーニングをベースとした多元的ドメインを用いた多元的推論拡張フレームワークを提案する。
我々は、疎結合の場合の過度な適合を扱うために、新しい関心領域において多様な評価を生成する。
これらの評価は、選好メタラーナーを学ぶためのメタトレーニング手順に導入され、優れた一般化能力が得られる。
論文 参考訳（メタデータ） (2022-04-01T10:10:50Z) - A cross-domain recommender system using deep coupled autoencoders [77.86290991564829]
クロスドメインレコメンデーションのために2つの新しい結合型オートエンコーダに基づくディープラーニング手法を提案する。
最初の方法は、ソースドメインとターゲットドメイン内のアイテムの固有表現を明らかにするために、一対のオートエンコーダを同時に学習することを目的としている。
第2の方法は,2つのオートエンコーダを用いてユーザとアイテム待ち行列を深く非線形に生成する,新たな共同正規化最適化問題に基づいて導出する。
論文 参考訳（メタデータ） (2021-12-08T15:14:26Z) - RecGURU: Adversarial Learning of Generalized User Representations for
Cross-Domain Recommendation [19.61356871656398]
ドメイン間のレコメンデーションは、従来のシーケンシャルなレコメンデーションシステムにおけるデータスパリティの問題を軽減するのに役立つ。
本稿では,ドメイン間のユーザ情報を逐次レコメンデーションに組み込んだ汎用ユーザ表現(GUR)を生成するためのRecGURUアルゴリズムフレームワークを提案する。
論文 参考訳（メタデータ） (2021-11-19T08:41:06Z) - Review-Based Domain Disentanglement without Duplicate Users or Contexts
for Cross-Domain Recommendation [1.2074552857379273]
クロスドメインレコメンデーションは、データスパーシリティとコールドスタート問題を解決する上で有望な結果を示している。
我々のモデル(SER)は、3つのテキスト解析モジュールを使用し、1つのドメイン識別器で案内され、非絡み合い表現学習を行う。
論文 参考訳（メタデータ） (2021-10-25T05:17:58Z) - Dual Metric Learning for Effective and Efficient Cross-Domain
Recommendations [85.6250759280292]
クロスドメインレコメンダーシステムは、消費者が異なるアプリケーションで有用なアイテムを識別するのを助けるためにますます価値があります。
既存のクロスドメインモデルは、通常、多くのオーバーラップユーザーを必要とするため、いくつかのアプリケーションでは取得が困難である。
本稿では,2つのドメイン間で情報を反復的に伝達する二元学習に基づく新しいクロスドメイン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） (2021-04-17T09:18:59Z) - CATN: Cross-Domain Recommendation for Cold-Start Users via Aspect
Transfer Network [49.35977893592626]
コールドスタートユーザのためのアスペクト転送ネットワークによるクロスドメインレコメンデーションフレームワーク(CATN)を提案する。
CATNは、レビュー文書から各ユーザと各アイテムの複数のアスペクトを抽出し、注意機構を用いてドメイン間のアスペクト相関を学習する。
実世界のデータセットでは、提案したCATNは、評価予測精度の点でSOTAモデルよりも大幅に優れている。
論文 参考訳（メタデータ） (2020-05-21T10:05:19Z)
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。