論文の概要: Reenvisioning Collaborative Filtering vs Matrix Factorization

• arxiv url: http://arxiv.org/abs/2107.13472v1
• Date: Wed, 28 Jul 2021 16:29:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-29 13:48:20.076910
• Title: Reenvisioning Collaborative Filtering vs Matrix Factorization
• Title（参考訳）: 協調フィルタリングと行列分解の再検討
• Authors: Vito Walter Anelli, Alejandro Bellog\'in, Tommaso Di Noia, Claudio Pomo
• Abstract要約: 近年,行列因数分解に基づく協調フィルタリングモデルや,ニューラルネットワーク(ANN)を用いた類似性の学習が注目されている。 推薦エコシステム内でのANNの発表が最近疑問視され、効率性と有効性に関していくつかの比較がなされている。 本研究では,これらの手法が相補的評価次元に与える影響を解析しながら,超精度評価にもたらす可能性を示す。
• 参考スコア（独自算出の注目度）: 65.74881520196762
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Collaborative filtering models based on matrix factorization and learned similarities using Artificial Neural Networks (ANNs) have gained significant attention in recent years. This is, in part, because ANNs have demonstrated good results in a wide variety of recommendation tasks. The introduction of ANNs within the recommendation ecosystem has been recently questioned, raising several comparisons in terms of efficiency and effectiveness. One aspect most of these comparisons have in common is their focus on accuracy, neglecting other evaluation dimensions important for the recommendation, such as novelty, diversity, or accounting for biases. We replicate experiments from three papers that compare Neural Collaborative Filtering (NCF) and Matrix Factorization (MF), to extend the analysis to other evaluation dimensions. Our contribution shows that the experiments are entirely reproducible, and we extend the study including other accuracy metrics and two statistical hypothesis tests. We investigated the Diversity and Novelty of the recommendations, showing that MF provides a better accuracy also on the long tail, although NCF provides a better item coverage and more diversified recommendations. We discuss the bias effect generated by the tested methods. They show a relatively small bias, but other recommendation baselines, with competitive accuracy performance, consistently show to be less affected by this issue. This is the first work, to the best of our knowledge, where several evaluation dimensions have been explored for an array of SOTA algorithms covering recent adaptations of ANNs and MF. Hence, we show the potential these techniques may have on beyond-accuracy evaluation while analyzing the effect on reproducibility these complementary dimensions may spark. Available at github.com/sisinflab/Reenvisioning-the-comparison-between-Neural-Collaborative-Filtering-and-Matrix- Factorization
• Abstract（参考訳）: 近年,行列因数分解に基づく協調フィルタリングモデルや,ニューラルネットワーク(ANN)を用いた類似性の学習が注目されている。 これは、部分的には、ANNが様々なレコメンデーションタスクで良い結果を示しているからである。 レコメンデーションエコシステムにおけるannの導入は、最近疑問視され、効率と有効性の観点からいくつかの比較が行われた。 これらの比較の共通点の1つは、正確さに焦点を合わせ、新規性、多様性、バイアスの考慮など、推奨にとって重要な他の評価次元を無視していることである。 我々は,NCF(Neural Collaborative Filtering)とMF(Matrix Factorization)の3つの論文を再現し,解析を他の評価次元にまで拡張する。 以上の結果から,実験は完全に再現可能であり,他の精度指標と2つの統計的仮説実験を含む研究を延長した。 提案の多様性とノベルティについて検討したところ、MFは長い尾の精度も向上するが、NCFはより優れた項目カバレッジとより多様化したレコメンデーションを提供する。 実験により得られたバイアス効果について考察する。 バイアスは比較的小さいが、他の推奨基準は競争力のある精度で、この問題の影響を受けていないことが一貫して示されている。 これは私たちの知る限り、ANNとMFの最近の適応を網羅する一連のSOTAアルゴリズムについて、いくつかの評価次元を探索した最初の研究である。 したがって,これらの手法が再現性に与える影響を解析しながら,超精度評価にもたらす可能性を示す。 github.com/sisinflab/reenvisioning-the-comparison- between-neural-collaborative-filtering-and-matrix-factorization(英語)

関連論文リスト

• Self-supervised Preference Optimization: Enhance Your Language Model with Preference Degree Awareness [27.43137305486112]
  本稿では,自己監督的選好度損失とアライメント損失を組み合わせた自己監督的選好度損失を構成する,新しい自己監督的選好最適化(SPO)フレームワークを提案する。 その結果,SPOを既存の好み最適化手法とシームレスに統合し,最先端性能を実現することができた。
  論文  参考訳（メタデータ） (2024-09-26T12:37:26Z)
• Revisiting BPR: A Replicability Study of a Common Recommender System Baseline [78.00363373925758]
  我々は,BPRモデルの特徴を考察し,その性能への影響を示し,オープンソースのBPR実装について検討する。 分析の結果,これらの実装とオリジナルのBPR論文の矛盾が明らかとなり,特定の実装に対して最大50%の性能低下がみられた。 BPRモデルは、トップnのレコメンデーションタスクにおける最先端メソッドに近いパフォーマンスレベルを達成でき、特定のデータセット上でもパフォーマンスが向上することを示す。
  論文  参考訳（メタデータ） (2024-09-21T18:39:53Z)
• Revisiting Data Augmentation in Deep Reinforcement Learning [3.660182910533372]
  画像に基づく深部強化学習(DRL)において、様々なデータ拡張技術が提案されている。 既存の手法を分析し、それらをよりよく理解し、どのように接続されているかを明らかにする。 この分析は、データ拡張をより原則的に活用する方法を推奨する。
  論文  参考訳（メタデータ） (2024-02-19T14:42:10Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Deep Negative Correlation Classification [82.45045814842595]
  既存のディープアンサンブル手法は、多くの異なるモデルをナビゲートし、予測を集約する。 深部負相関分類(DNCC)を提案する。 DNCCは、個々の推定器が正確かつ負の相関を持つ深い分類アンサンブルを生成する。
  論文  参考訳（メタデータ） (2022-12-14T07:35:20Z)
• Counterfactual Learning with Multioutput Deep Kernels [0.0]
  本稿では,観測データを用いた反実的推論の課題に対処する。 本稿では、因果効果を推定し、適切にポリシーを学習する、対実的マルチタスクディープカーネルモデルの一般的なクラスを示す。
  論文  参考訳（メタデータ） (2022-11-20T23:28:41Z)
• Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
  我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。 CPRは、露出メカニズムを知らずに不偏の推奨を達成する。 理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
  論文  参考訳（メタデータ） (2022-04-26T09:20:27Z)
• Broad Recommender System: An Efficient Nonlinear Collaborative Filtering Approach [56.12815715932561]
  我々はBroad Collaborative Filtering (BroadCF)と呼ばれる新しい広帯域リコメンデータシステムを提案する。 深層ニューラルネットワーク(DNN)の代わりに、ユーザとアイテム間の複雑な非線形関係を学習するためのマッピング機能として、Broad Learning System(BLS)が使用されている。 7つのベンチマークデータセットで実施された大規模な実験により、提案したBroadCFアルゴリズムの有効性が確認された。
  論文  参考訳（メタデータ） (2022-04-20T01:25:08Z)
• Rethinking Neural vs. Matrix-Factorization Collaborative Filtering: the Theoretical Perspectives [18.204325860752768]
  最近の研究は、行列分解協調フィルタリング(MCF)がニューラルコラボレーティブフィルタリング(NCF)と好意的に比較していると主張している。 本稿では,以下の質問に答えることで,比較を厳格に解決する。
  論文  参考訳（メタデータ） (2021-10-23T04:55:21Z)
• Demarcating Endogenous and Exogenous Opinion Dynamics: An Experimental Design Approach [27.975266406080152]
  本稿では,実験的な設計手法に基づく教師なし分類手法のスイートを設計する。 平均推定誤差の異なる測度を最小化するイベントのサブセットを選択することを目的としている。 我々の実験は、不衛生事象や衛生事象に対する予測性能の検証から、様々な大きさの最適なサブセットを選択する効果の検証まで多岐にわたる。
  論文  参考訳（メタデータ） (2021-02-11T11:38:15Z)

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。