論文の概要: Bootstrapping User and Item Representations for One-Class Collaborative
Filtering
- arxiv url: http://arxiv.org/abs/2105.06323v1
- Date: Thu, 13 May 2021 14:24:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-14 18:40:05.788489
- Title: Bootstrapping User and Item Representations for One-Class Collaborative
Filtering
- Title(参考訳): 1クラス協調フィルタリングのためのユーザおよびアイテム表現のブートストラップ
- Authors: Dongha Lee, SeongKu Kang, Hyunjun Ju, Chanyoung Park, Hwanjo Yu
- Abstract要約: ワンクラスの協調フィルタリング(OCCF)は、ポジティブに関連があるがまだ相互作用していないユーザーとアイテムのペアを特定することです。
本論文では,否定的なサンプリングを必要としない新しいOCCFフレームワークであるBUIRを提案する。
- 参考スコア(独自算出の注目度): 24.30834981766022
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The goal of one-class collaborative filtering (OCCF) is to identify the
user-item pairs that are positively-related but have not been interacted yet,
where only a small portion of positive user-item interactions (e.g., users'
implicit feedback) are observed. For discriminative modeling between positive
and negative interactions, most previous work relied on negative sampling to
some extent, which refers to considering unobserved user-item pairs as
negative, as actual negative ones are unknown. However, the negative sampling
scheme has critical limitations because it may choose "positive but unobserved"
pairs as negative. This paper proposes a novel OCCF framework, named as BUIR,
which does not require negative sampling. To make the representations of
positively-related users and items similar to each other while avoiding a
collapsed solution, BUIR adopts two distinct encoder networks that learn from
each other; the first encoder is trained to predict the output of the second
encoder as its target, while the second encoder provides the consistent targets
by slowly approximating the first encoder. In addition, BUIR effectively
alleviates the data sparsity issue of OCCF, by applying stochastic data
augmentation to encoder inputs. Based on the neighborhood information of users
and items, BUIR randomly generates the augmented views of each positive
interaction each time it encodes, then further trains the model by this
self-supervision. Our extensive experiments demonstrate that BUIR consistently
and significantly outperforms all baseline methods by a large margin especially
for much sparse datasets in which any assumptions about negative interactions
are less valid.
- Abstract(参考訳): OCCF(One-class collaborative filtering)の目標は、肯定的な関連性があるがまだ相互作用していないユーザ-イットのペアを識別することであり、ユーザ-イットの相互作用のごく一部(例えば、ユーザの暗黙のフィードバック)が観察される。
正の相互作用と負の相互作用の間の識別的モデリングでは、以前の研究のほとんどは、負のサンプリングにある程度依存していた。
しかし、負のサンプリングスキームは「正だが観測されていない」ペアを負として選ぶことができるため、限界がある。
本稿では,新たなOCCFフレームワークであるBUIRを提案する。
第1のエンコーダは、第2のエンコーダの出力を目標として予測するように訓練され、第2のエンコーダは、第1のエンコーダをゆっくりと近似して一貫したターゲットを提供する。
さらに、BUIRは、エンコーダ入力に確率的データ拡張を適用することにより、OCCFのデータ空間問題を効果的に軽減する。
ユーザやアイテムの周辺情報に基づいて、BUIRは符号化されるたびに各ポジティブなインタラクションの強化ビューをランダムに生成し、さらにこの自己スーパービジョンによってモデルをトレーニングする。
広範な実験により、buirは、特に負の相互作用に関する仮定が妥当でない多くのスパースデータセットにおいて、ベースラインメソッドを一貫して著しく上回っています。
関連論文リスト
- Towards Unified Modeling for Positive and Negative Preferences in
Sign-Aware Recommendation [13.300975621769396]
textbfLight textbfSigned textbfGraph Convolution Network for textbfRecommendation (textbfLSGRec)を提案する。
高次不均一相互作用における負の選好について、一階の負の選好は負のリンクによって捕捉される。
推奨結果は肯定的な選好に基づいて生成され、負の選好で最適化される。
論文 参考訳(メタデータ) (2024-03-13T05:00:42Z) - Topology-aware Debiased Self-supervised Graph Learning for
Recommendation [6.893289671937124]
本稿では,TDGL(Topology-aware De Self-supervised Graph Learning)を提案する。
TDSGLはユーザ間の意味的類似性(items)に応じてコントラッシブなペアを構成する
その結果,提案モデルが3つの公開データセット上で,最先端モデルよりも優れていたことが示唆された。
論文 参考訳(メタデータ) (2023-10-24T14:16:19Z) - Cluster-guided Contrastive Graph Clustering Network [53.16233290797777]
クラスタ誘導コントラストグラフクラスタリングネットワーク(CCGC)を提案する。
我々は、兄弟のサブネットワーク間で重みが共有されない特別なシームズエンコーダを設計することにより、グラフの2つのビューを構築する。
意味的な負のサンプルペアを構築するために、異なる高信頼度クラスタの中心を負のサンプルとみなす。
論文 参考訳(メタデータ) (2023-01-03T13:42:38Z) - 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) - Generating Negative Samples for Sequential Recommendation [83.60655196391855]
逐次レコメンデーション(SR)のための負のサンプル(イテム)を生成することを提案する。
アイテムに対する現在のSRモデルの学習されたユーザの好みに基づいて、各タイムステップで負の項目をサンプリングする。
4つの公開データセットの実験は、SRに高品質な負のサンプルを提供することの重要性を検証する。
論文 参考訳(メタデータ) (2022-08-07T05:44:13Z) - Collaborative Reflection-Augmented Autoencoder Network for Recommender
Systems [23.480069921831344]
協調反射強化オートエンコーダネットワーク(CRANet)を開発した。
CRANetは、観測された、観測されていないユーザーとイテムの相互作用から、転送可能な知識を探索することができる。
CRANetは2つの推奨タスクに対応する4つの多様なベンチマークデータセットに対して実験的に検証する。
論文 参考訳(メタデータ) (2022-01-10T04:36:15Z) - SelfCF: A Simple Framework for Self-supervised Collaborative Filtering [72.68215241599509]
協調フィルタリング(CF)は、観測された相互作用からユーザやアイテムの情報的潜在表現を学習するために広く用いられている。
本稿では,暗黙的なフィードバックを伴うレコメンデータシナリオに特化して設計された自己教師型協調フィルタリングフレームワーク(SelfCF)を提案する。
自制フレームワークのBUIRと比較して,SelfCFは平均17.79%の精度向上を実現している。
論文 参考訳(メタデータ) (2021-07-07T05:21:12Z) - Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback
based Recommendation [59.183016033308014]
本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。
提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
論文 参考訳(メタデータ) (2021-05-16T08:06:22Z) - Contrastive Attraction and Contrastive Repulsion for Representation
Learning [131.72147978462348]
コントラスト学習(CL)法は,複数の負のサンプルに対して,エンコーダが各正のサンプルと対比する自己超越的な方法でデータ表現を学習する。
最近のCL法は、ImageNetのような大規模データセットで事前訓練された場合、有望な結果を得た。
自己グループ内の正と負のサンプルを別々に比較し、正と負の群を対比して進行する2つのCL戦略を提案する。
論文 参考訳(メタデータ) (2021-05-08T17:25:08Z) - Simplify and Robustify Negative Sampling for Implicit Collaborative
Filtering [42.832851785261894]
本稿では,まず,モデル学習において潜在的に重要な事例が少数存在することを実証的に観察し,ネガティブな事例を新たに理解する。
次に、メモリに格納された高分散サンプルを好んで、修正されていない偽陰性問題に取り組む。
2つの合成データセットと3つの実世界のデータセットの実証結果は、我々の負サンプリング法の堅牢性と優位性を示している。
論文 参考訳(メタデータ) (2020-09-07T19:08:26Z)
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。