論文の概要: Transfer-Meta Framework for Cross-domain Recommendation to Cold-Start
Users
- arxiv url: http://arxiv.org/abs/2105.04785v1
- Date: Tue, 11 May 2021 05:15:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-12 13:50:38.383834
- Title: Transfer-Meta Framework for Cross-domain Recommendation to Cold-Start
Users
- Title（参考訳）: コールドスタートユーザのためのクロスドメインレコメンデーションのためのtransfer-metaフレームワーク
- Authors: Yongchun Zhu, Kaikai Ge, Fuzhen Zhuang, Ruobing Xie, Dongbo Xi, Xu
Zhang, Leyu Lin and Qing He
- Abstract要約: クロスドメインレコメンデーション(CDR)は、補助的な(ソース)ドメインからの豊富な情報を使用して、ターゲットドメインにおけるレコメンダシステムの性能を改善する。
トランスファーステージとメタステージを有するCDR(TMCDR)のためのトランスファーメタフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 31.949188328354854
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cold-start problems are enormous challenges in practical recommender systems.
One promising solution for this problem is cross-domain recommendation (CDR)
which leverages rich information from an auxiliary (source) domain to improve
the performance of recommender system in the target domain. In these CDR
approaches, the family of Embedding and Mapping methods for CDR (EMCDR) is very
effective, which explicitly learn a mapping function from source embeddings to
target embeddings with overlapping users. However, these approaches suffer from
one serious problem: the mapping function is only learned on limited
overlapping users, and the function would be biased to the limited overlapping
users, which leads to unsatisfying generalization ability and degrades the
performance on cold-start users in the target domain. With the advantage of
meta learning which has good generalization ability to novel tasks, we propose
a transfer-meta framework for CDR (TMCDR) which has a transfer stage and a meta
stage. In the transfer (pre-training) stage, a source model and a target model
are trained on source and target domains, respectively. In the meta stage, a
task-oriented meta network is learned to implicitly transform the user
embedding in the source domain to the target feature space. In addition, the
TMCDR is a general framework that can be applied upon various base models,
e.g., MF, BPR, CML. By utilizing data from Amazon and Douban, we conduct
extensive experiments on 6 cross-domain tasks to demonstrate the superior
performance and compatibility of TMCDR.
- Abstract（参考訳）: コールドスタート問題は、実用的なレコメンデーションシステムにおいて大きな課題である。
この問題の1つの有望な解決策はクロスドメインレコメンデーション(CDR)であり、これは補助的な(ソース)ドメインからの豊富な情報を活用し、ターゲットドメインにおけるレコメンダシステムの性能を改善する。
これらのCDRアプローチでは、CDR(EMCDR)の埋め込みおよびマッピング手法のファミリーが非常に効果的であり、ソース埋め込みからマッピング関数を明示的に学習し、重複するユーザによるターゲット埋め込みを学習する。
しかし、これらのアプローチは1つの深刻な問題に悩まされる: マッピング関数は、限られたオーバーラップユーザでのみ学習され、その関数は、限られたオーバーラップユーザによってバイアスされるため、一般化能力に不満が生じ、ターゲットドメインのコールドスタートユーザのパフォーマンスが低下する。
タスクの新規化に優れたメタ学習の利点を生かして,トランスファステージとメタステージを有するCDR(TMCDR)のための転送メタフレームワークを提案する。
転送(事前訓練)段階において、ソースモデルとターゲットモデルは、それぞれソースドメインとターゲットドメインで訓練される。
メタステージでは、タスク指向のメタネットワークが学習され、ソースドメインに埋め込まれたユーザがターゲットの機能空間に暗黙的に変換される。
さらに、MCCDRは、MF、BPR、CMLなど、様々なベースモデルに適用可能な一般的なフレームワークである。
AmazonとDoubanのデータを利用することで、6つのクロスドメインタスクに関する広範な実験を行い、TMCDRの性能と互換性を実証する。
関連論文リスト
- Sharpness-Aware Cross-Domain Recommendation to Cold-Start Users [29.229433535780153]
CDR(Cross-Domain Recommendation)は、推薦システムにおけるコールドスタート問題を解決するために、トランスファーラーニングにインスパイアされた有望なパラダイムである。
シャープネス対応CDR(SCDR)と呼ばれる新しいCDR法を提案する。
論文 参考訳（メタデータ） (2024-08-04T05:07:58Z) - MIMNet: Multi-Interest Meta Network with Multi-Granularity Target-Guided Attention for Cross-domain Recommendation [6.7902741961967]
クロスドメインレコメンデーション(CDR)は、スパーシリティとコールドスタートの問題を緩和する上で重要な役割を果たす。
クロスドメインレコメンデーションのためのMIMNet(Multi-interest Meta Network)を提案する。
論文 参考訳（メタデータ） (2024-07-31T13:30:34Z) - Heterogeneous Graph-based Framework with Disentangled Representations Learning for Multi-target Cross Domain Recommendation [7.247438542823219]
CDR(Cross-Domain Recommendation)は、レコメンデーションシステムにおけるデータ空間の問題に対する重要な解決策である。
本稿では,HGDR (Heterogeneous Graph-based Framework with Disentangled Representations Learning)を提案する。
実世界のデータセットとオンラインA/Bテストの実験により、提案モデルがドメイン間の情報を効果的に伝達できることが証明された。
論文 参考訳（メタデータ） (2024-07-01T02:27:54Z) - Exploring User Retrieval Integration towards Large Language Models for Cross-Domain Sequential Recommendation [66.72195610471624]
Cross-Domain Sequential Recommendationは、異なるドメイン間でユーザのシーケンシャルな好みをマイニングし、転送することを目的としている。
本稿では,ユーザ検索手法を探索し,CDSRの性能向上を目的とした URLLM という新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-05T09:19:54Z) - Diffusion Cross-domain Recommendation [0.0]
コールドスタートユーザに高品質な結果を提供するために拡散クロスドメイン勧告(DiffCDR)を提案する。
まず、DPMの理論を採用し、ターゲットドメインにユーザの埋め込みを生成する拡散モジュール(DIM)を設計する。
さらに、ターゲットドメインのラベルデータを検討し、タスク指向の損失関数を作成し、DiffCDRが特定のタスクに適応できるようにする。
論文 参考訳（メタデータ） (2024-02-03T15:14:51Z) - CDR-Adapter: Learning Adapters to Dig Out More Transferring Ability for
Cross-Domain Recommendation Models [15.487701831604767]
クロスドメインレコメンデーション(CDR)は、ソースドメインからの知識を利用して、ターゲットドメインのレコメンデーションパフォーマンスを改善する、有望なソリューションである。
従来のCDRアプローチは主に、知識伝達を促進するためにマッピング関数を学習するEmbedding and Mapping(EMCDR)フレームワークに従ったものだ。
我々は,CDRにおけるデータ分散性やコールドスタート問題に対処する,スケーラブルで効率的なパラダイムであるCDR-Adapterを提案する。
論文 参考訳（メタデータ） (2023-11-04T13:03:24Z) - Informative Data Mining for One-Shot Cross-Domain Semantic Segmentation [84.82153655786183]
Informative Data Mining (IDM) と呼ばれる新しいフレームワークを提案し、セマンティックセグメンテーションのための効率的なワンショットドメイン適応を実現する。
IDMは、最も情報性の高いサンプルを特定するために不確実性に基づく選択基準を提供し、迅速に適応し、冗長なトレーニングを減らす。
提案手法は,GTA5/SYNTHIAからCityscapesへの適応タスクにおいて,既存の手法より優れ,56.7%/55.4%の最先端のワンショット性能を実現している。
論文 参考訳（メタデータ） (2023-09-25T15:56:01Z) - 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) - META: Mimicking Embedding via oThers' Aggregation for Generalizable
Person Re-identification [68.39849081353704]
Domain Generalizable (DG) Person Re-identification (ReID)は、トレーニング時に対象のドメインデータにアクセスすることなく、見えないドメインをまたいでテストすることを目的としている。
本稿では,DG ReID のための OThers' Aggregation (META) を用いた Mimicking Embedding という新しい手法を提案する。
論文 参考訳（メタデータ） (2021-12-16T08:06:50Z) - 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) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-08-28T09:29:14Z)
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。