論文の概要: Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback based Recommendation

• arxiv url: http://arxiv.org/abs/2105.07377v1
• Date: Sun, 16 May 2021 08:06:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-18 14:36:49.214729
• Title: Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback based Recommendation
• Title（参考訳）: Set2setRank: インシシットフィードバックベースのレコメンデーションのためにランキングを設定する共同セット
• Authors: Lei Chen, Le Wu, Kun Zhang, Richang Hong, Meng Wang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 59.183016033308014
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As users often express their preferences with binary behavior data~(implicit feedback), such as clicking items or buying products, implicit feedback based Collaborative Filtering~(CF) models predict the top ranked items a user might like by leveraging implicit user-item interaction data. For each user, the implicit feedback is divided into two sets: an observed item set with limited observed behaviors, and a large unobserved item set that is mixed with negative item behaviors and unknown behaviors. Given any user preference prediction model, researchers either designed ranking based optimization goals or relied on negative item mining techniques for better optimization. Despite the performance gain of these implicit feedback based models, the recommendation results are still far from satisfactory due to the sparsity of the observed item set for each user. To this end, in this paper, we explore the unique characteristics of the implicit feedback and propose Set2setRank framework for recommendation. The optimization criteria of Set2setRank are two folds: First, we design an item to an item set comparison that encourages each observed item from the sampled observed set is ranked higher than any unobserved item from the sampled unobserved set. Second, we model set level comparison that encourages a margin between the distance summarized from the observed item set and the most "hard" unobserved item from the sampled negative set. Further, an adaptive sampling technique is designed to implement these two goals. We have to note that our proposed framework is model-agnostic and can be easily applied to most recommendation prediction approaches, and is time efficient in practice. Finally, extensive experiments on three real-world datasets demonstrate the superiority of our proposed approach.
• Abstract（参考訳）: ユーザーは、アイテムのクリックや商品の購入など、二進的行動データ~(単純なフィードバック)で好みを表現することが多いため、暗黙的なフィードバックベースの協調フィルタリング~(CF)モデルは、暗黙的なユーザとイテムのインタラクションデータを活用することで、ユーザーが好む上位のアイテムを予測する。 各ユーザに対して、暗黙的なフィードバックは、観察された行動に制限のある観察項目セットと、否定的な行動と未知の行動に混ざった大きな未観測項目セットの2つのセットに分けられる。 ユーザの選好予測モデルを考えると、研究者はランキングベースの最適化目標を設計するか、より優れた最適化のためにネガティブなアイテムマイニング技術に依存した。 これらの暗黙的なフィードバックベースモデルの性能向上にもかかわらず、各ユーザ毎の観測項目の間隔のため、推奨結果はまだまだ満足できない。 そこで本稿では,暗黙的なフィードバックの特徴を考察し,推薦のためのset2setrankフレームワークを提案する。 set2setrankの最適化基準は2つの折りたたみ式である: まず、観測された集合から観測された各項目を推奨する項目セット比較の項目を、サンプリングされた非観測集合から得られた非観測項目よりも上位に設計する。 第2に、観測項目集合から要約された距離と、サンプリングされた負集合から最も「硬い」観測されていない項目との差を緩和するセットレベル比較をモデル化する。 さらに,これら2つの目標を実現するために適応サンプリング手法を考案した。 提案するフレームワークはモデルに依存しず、ほとんどの推奨予測アプローチに容易に適用でき、実際は時間効率が良いことに留意する必要がある。 最後に、3つの実世界のデータセットに対する広範な実験により、提案手法の優位性を実証した。

関連論文リスト

• Beyond Positive History: Re-ranking with List-level Hybrid Feedback [49.52149227298746]
  リストレベルのハイブリッドフィードバック (dubed RELIFE) を用いた再ランク付けを提案する。 ユーザの好みや行動パターンを3つのモジュールでキャプチャする。 実験により、RELIFEはSOTAの再ランクベースラインを著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2024-10-28T06:39:01Z)
• Disentangling Likes and Dislikes in Personalized Generative Explainable Recommendation [26.214148426964794]
  ユーザの感情に焦点をあてた新しいデータセットと評価手法を導入する。 購入後のレビューから,ユーザの肯定的,否定的な意見を明示的に抽出し,データセットを構築する。 生成した説明文がユーザの感情に合致するかどうかに基づいてシステムを評価することを提案する。
  論文  参考訳（メタデータ） (2024-10-17T06:15:00Z)
• Preference or Intent? Double Disentangled Collaborative Filtering [34.63377358888368]
  従来の協調フィルタリング手法では、意図と好みの要素は、通常モデリングプロセスで絡み合わされる。 個人化されたレコメンデーションのための2次元表現学習手法であるDouble Disentangled Collaborative Filtering (DDCF)を提案する。
  論文  参考訳（メタデータ） (2023-05-18T16:13:41Z)
• Pacos: Modeling Users' Interpretable and Context-Dependent Choices in Preference Reversals [8.041047797530808]
  我々は,ユーザの適応重み,イテム間比較,表示位置の3つの要因を同定した。 3つの要因を同時に扱うための統合フレームワークとして,Pacosというコンテキスト依存の嗜好モデルを提案する。 実験の結果,提案手法は,ユーザの選択を予測するための先行作業よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2023-03-10T01:49:56Z)
• Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
  我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。 本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。 我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
  論文  参考訳（メタデータ） (2022-07-04T17:49:25Z)
• Two-level monotonic multistage recommender systems [5.983189537988243]
  パーソナライズされた予測のためのイベントのモノトニック連鎖を特徴付ける2レベルモノトニック特性 ユーザ固有の振る舞いを異なる段階で学習するための正規化コスト関数。 ブロックワイズ座標降下に基づくアルゴリズム
  論文  参考訳（メタデータ） (2021-10-06T08:50:32Z)
• A Case Study on Sampling Strategies for Evaluating Neural Sequential Item Recommendation Models [69.32128532935403]
  負の項目をサンプリングする2つのよく知られた戦略は、一様ランダムサンプリングと人気によるサンプリングである。 我々は、現在最先端のシーケンシャルレコメンデータモデルを再評価する。 いずれのサンプリング戦略も,モデルの完全なランキングと比較すると,一貫性のないランキングを生成できることがわかった。
  論文  参考訳（メタデータ） (2021-07-27T19:06:03Z)
• Learning over no-Preferred and Preferred Sequence of items for Robust Recommendation [66.8722561224499]
  暗黙のフィードバックよりも大規模なレコメンダーシステム(RS)を訓練するための理論的に確立されたシーケンシャル戦略を提案する。 本稿では、モデルパラメータをモメンタリメソッドまたはグラデーションベースのアプローチで更新するこの戦略の2つのバリエーションを紹介します。
  論文  参考訳（メタデータ） (2020-12-12T22:10:15Z)
• SetRank: A Setwise Bayesian Approach for Collaborative Ranking from Implicit Feedback [50.13745601531148]
  提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。 具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。 また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
  論文  参考訳（メタデータ） (2020-02-23T06:40:48Z)

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。