論文の概要: Where are we in embedding spaces? A Comprehensive Analysis on Network
Embedding Approaches for Recommender Systems
- arxiv url: http://arxiv.org/abs/2105.08908v1
- Date: Wed, 19 May 2021 03:46:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-20 13:39:47.339303
- Title: Where are we in embedding spaces? A Comprehensive Analysis on Network
Embedding Approaches for Recommender Systems
- Title(参考訳): 埋め込みスペースはどこにありますか?
Recommender システムにおけるネットワーク埋め込み手法に関する総合的分析
- Authors: Sixiao Zhang, Hongxu Chen, Xiao Ming, Lizhen Cui, Hongzhi Yin,
Guandong Xu
- Abstract要約: 本稿では,レコメンデーションシステムにおいて,双曲空間と双曲埋め込みをいつ,どこで使用するかに関する理論的解析と実験結果を提供する。
我々は、異なる潜在空間モデル上でのユークリッド空間と双曲空間の性能を比較することで、回答を評価する。
本稿では,SCML とハイパーボリックバージョン HSCML という,メトリクス学習に基づく推薦手法を提案する。
- 参考スコア(独自算出の注目度): 30.32394422015953
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hyperbolic space and hyperbolic embeddings are becoming a popular research
field for recommender systems. However, it is not clear under what
circumstances the hyperbolic space should be considered. To fill this gap, This
paper provides theoretical analysis and empirical results on when and where to
use hyperbolic space and hyperbolic embeddings in recommender systems.
Specifically, we answer the questions that which type of models and datasets
are more suited for hyperbolic space, as well as which latent size to choose.
We evaluate our answers by comparing the performance of Euclidean space and
hyperbolic space on different latent space models in both general item
recommendation domain and social recommendation domain, with 6 widely used
datasets and different latent sizes. Additionally, we propose a new metric
learning based recommendation method called SCML and its hyperbolic version
HSCML. We evaluate our conclusions regarding hyperbolic space on SCML and show
the state-of-the-art performance of hyperbolic space by comparing HSCML with
other baseline methods.
- Abstract(参考訳): 双曲空間と双曲埋め込みはレコメンダシステムのための人気のある研究分野となっている。
しかし、どのような状況で双曲空間を考えるべきかは明らかではない。
このギャップを埋めるために、本論文は、レコメンダシステムにおいて双曲空間と双曲埋め込みを使うタイミングと場所に関する理論的解析と実証結果を提供する。
具体的には、どのタイプのモデルとデータセットが双曲空間にもっと適しているか、どの潜在サイズを選ぶべきか、という疑問に答える。
一般項目推薦ドメインとソーシャルレコメンデーションドメインのいずれにおいても,ユークリッド空間と双曲空間のパフォーマンスを,広く使用されている6つのデータセットと異なる潜在サイズで比較して評価した。
さらに,SCML とハイパーボリックバージョン HSCML という,メトリクス学習に基づく新しいレコメンデーション手法を提案する。
SCMLにおける双曲空間に関する結論を評価し,HSCMLと他のベースライン法との比較により,双曲空間の最先端性能を示す。
関連論文リスト
- Hyperbolic vs Euclidean Embeddings in Few-Shot Learning: Two Sides of
the Same Coin [49.12496652756007]
この結果から, 共通の双曲半径での双曲埋め込みが達成できることが示唆された。
従来のベンチマーク結果とは対照的に、ユークリッド計量を備えた固定半径エンコーダにより、より良い性能が得られることを示す。
論文 参考訳(メタデータ) (2023-09-18T14:51:46Z) - Dynamic Hyperbolic Attention Network for Fine Hand-object Reconstruction [76.5549647815413]
ハイパボリック空間,すなわち動的ハイパボリック注意ネットワーク(DHANet)における最初の正確な手オブジェクト再構成手法を提案する。
本手法は,マルチモーダル情報によりメッシュ特性を学習し,手動物体の相互作用をより良くモデル化する。
論文 参考訳(メタデータ) (2023-09-06T13:00:10Z) - Knowledge-based Multiple Adaptive Spaces Fusion for Recommendation [35.20583774988951]
知識に基づく多重適応空間融合法(MCKG)を提案する。
特定の多様体のみを採用する既存の方法とは異なり、双曲的、ユークリッド的、球面的空間と互換性のある統一空間を導入する。
さらに,双曲空間と球面空間の両方から得られるプル・アンド・プッシュ処理を可能にする幾何対応最適化手法を提案する。
論文 参考訳(メタデータ) (2023-08-29T12:11:16Z) - HRCF: Enhancing Collaborative Filtering via Hyperbolic Geometric
Regularization [52.369435664689995]
HRCF (textitHyperbolic Regularization powered Collaborative Filtering) を導入し,幾何認識型双曲正規化器を設計する。
具体的には、ルートアライメントとオリジン認識ペナルティによる最適化手順を強化する。
提案手法は,双曲的凝集による過度な平滑化問題に対処でき,モデルの識別能力も向上する。
論文 参考訳(メタデータ) (2022-04-18T06:11:44Z) - Provably Accurate and Scalable Linear Classifiers in Hyperbolic Spaces [39.71927912296049]
スケーラブルで単純な双曲型線形分類器を学習するための統一的なフレームワークを提案する。
我々のアプローチの要点は、ポアンカーの球体モデルに焦点を合わせ、接空間形式を用いて分類問題を定式化することである。
Poincarの2階と戦略的パーセプトロンの優れた性能は、提案フレームワークが双曲空間における一般的な機械学習問題にまで拡張可能であることを示している。
論文 参考訳(メタデータ) (2022-03-07T21:36:21Z) - Switch Spaces: Learning Product Spaces with Sparse Gating [48.591045282317424]
製品空間における表現を学習するためのデータ駆動アプローチであるswitch spacesを提案する。
我々は空間の選択、結合、切り替えを学習するスパースゲーティング機構を導入する。
知識グラフの補完と項目レコメンデーションの実験により,提案したスイッチ空間が新たな最先端性能を実現することを示す。
論文 参考訳(メタデータ) (2021-02-17T11:06:59Z) - Aligning Hyperbolic Representations: an Optimal Transport-based approach [0.0]
この研究は、双曲空間のポアンカーモデルへの埋め込みのOTに基づく新しいアプローチを提案する。
この形式主義の結果として、我々はいくつかの既存の OT ベースの領域適応のユークリッド法への拡張を、その双曲的対応に導出する。
論文 参考訳(メタデータ) (2020-12-02T11:22:19Z) - Joint and Progressive Subspace Analysis (JPSA) with Spatial-Spectral
Manifold Alignment for Semi-Supervised Hyperspectral Dimensionality Reduction [48.73525876467408]
本稿では,超スペクトル部分空間解析のための新しい手法を提案する。
この手法はジョイント・アンド・プログレッシブ・サブスペース分析(JPSA)と呼ばれる。
2つの広帯域超スペクトルデータセットに対して提案したJPSAの優位性と有効性を示す実験を行った。
論文 参考訳(メタデータ) (2020-09-21T16:29:59Z) - Hyperbolic Manifold Regression [33.40757136529844]
本稿では,多くの機械学習応用の中間要素として,双曲空間上で多様体値回帰を行うという問題を考察する。
本稿では,1)ラベル埋め込みによる階層的分類,2)双曲表現の分類的拡張の2つの課題に対する新しい視点を提案する。
実験の結果,双曲幾何学の活用戦略は有望であることが示唆された。
論文 参考訳(メタデータ) (2020-05-28T10:16:30Z) - Robust Large-Margin Learning in Hyperbolic Space [64.42251583239347]
ユークリッド空間ではなく双曲型で分類器を学ぶための最初の理論的保証を示す。
本研究では, 対向例の慎重な注入に頼って, 大面積超平面を効率よく学習するアルゴリズムを提案する。
双曲空間によく埋め込まれる階層的データに対して、低埋め込み次元は優れた保証を保証することを証明している。
論文 参考訳(メタデータ) (2020-04-11T19:11:30Z)
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。