論文の概要: A Hinge-Loss based Codebook Transfer for Cross-Domain Recommendation with Nonoverlapping Data

• arxiv url: http://arxiv.org/abs/2108.01473v1
• Date: Mon, 2 Aug 2021 17:17:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-04 23:30:31.172893
• Title: A Hinge-Loss based Codebook Transfer for Cross-Domain Recommendation with Nonoverlapping Data
• Title（参考訳）: 非重複データを用いたクロスドメインレコメンデーションのためのヒンジ損失に基づくコードブック転送
• Authors: Sowmini Devi Veeramachaneni, Arun K Pujari, Vineet Padmanabhan and Vikas Kumar
• Abstract要約: アイテムスペースが増加し、ユーザが評価するアイテムの数が大幅に減少するにつれて、空白のような問題が発生する。 疎度問題を緩和するために、疎度ドメイン(ソース)からのデータを考慮し、スパースドメイン(ターゲット)の欠落するエントリを予測するトランスファーラーニング技術が用いられている。
• 参考スコア（独自算出の注目度）: 4.117391333767584
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommender systems(RS), especially collaborative filtering(CF) based RS, has been playing an important role in many e-commerce applications. As the information being searched over the internet is rapidly increasing, users often face the difficulty of finding items of his/her own interest and RS often provides help in such tasks. Recent studies show that, as the item space increases, and the number of items rated by the users become very less, issues like sparsity arise. To mitigate the sparsity problem, transfer learning techniques are being used wherein the data from dense domain(source) is considered in order to predict the missing entries in the sparse domain(target). In this paper, we propose a transfer learning approach for cross-domain recommendation when both domains have no overlap of users and items. In our approach the transferring of knowledge from source to target domain is done in a novel way. We make use of co-clustering technique to obtain the codebook (cluster-level rating pattern) of source domain. By making use of hinge loss function we transfer the learnt codebook of the source domain to target. The use of hinge loss as a loss function is novel and has not been tried before in transfer learning. We demonstrate that our technique improves the approximation of the target matrix on benchmark datasets.
• Abstract（参考訳）: Recommender System(RS)、特にコラボレーティブフィルタリング(CF)ベースのRSは、多くのeコマースアプリケーションにおいて重要な役割を担っている。 インターネット上で検索される情報が増えるにつれて、利用者は自分の興味のあるアイテムを見つけることが難しくなり、rsはそうしたタスクの助けとなることが多い。 近年の研究では、アイテムスペースが増加し、ユーザによって評価されるアイテムの数が大幅に減少するにつれて、スパーシリティのような問題が発生することが示されている。 疎度問題を緩和するために、疎度ドメイン(ソース)からのデータがスパースドメイン(ターゲット)の欠落するエントリを予測するために考慮される転送学習技術が用いられている。 本稿では,両ドメインがユーザとアイテムの重複を伴わない場合のドメイン間推薦のための転送学習手法を提案する。 我々のアプローチでは、ソースからターゲットドメインへの知識の転送は、新しい方法で行われます。 ソースドメインのコードブック(クラスタレベルレーティングパターン)を取得するために、共クラスタ技術を利用する。 ヒンジ損失関数を利用することで、学習したソースドメインのコードブックをターゲットに転送する。 ヒンジ損失を損失関数として用いることは新規であり、転送学習では試みられていない。 提案手法は,ベンチマークデータセット上でのターゲット行列の近似を改善することを実証する。

関連論文リスト

• Transferable Sequential Recommendation via Vector Quantized Meta Learning [29.49708205199897]
  転送可能なシーケンシャルレコメンデータ(MetaRec)のためのベクトル量子化メタ学習を提案する。 提案手法では,複数のソースドメインからのユーザ・イテムインタラクションを活用して,対象ドメインの性能を向上させる。 提案手法の有効性を検証するため,ベンチマークデータセット上で広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-11-04T04:16:11Z)
• CDFSL-V: Cross-Domain Few-Shot Learning for Videos [58.37446811360741]
  ビデオのアクション認識は、いくつかのラベル付き例でのみ、新しいカテゴリを認識するための効果的なアプローチである。 既存のビデオアクション認識の方法は、同じドメインからの大きなラベル付きデータセットに依存している。 本稿では,自己教師付き学習とカリキュラム学習を活用した,クロスドメインな数ショットビデオ行動認識手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T19:44:27Z)
• Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• Transfer of codebook latent factors for cross-domain recommendation with non-overlapping data [5.145146101802871]
  Data Sparsityは、協調フィルタリング技術における大きな欠点の1つだ。 本稿では,クロスドメインレコメンデーションのための新しいトランスファー学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-26T05:26:39Z)
• Pre-training Graph Neural Network for Cross Domain Recommendation [58.057687253631826]
  推薦システムは、ユーザ/イテムの埋め込みを学習する中心となるアイテムに対するユーザの潜在的関心を予測する。 グラフ表現学習から事前学習を行う現代美術に着想を得て,クロスドメインレコメンデーションのための事前学習および微調整図を提案する。 我々は,グラフエンコーダの自己教師型事前学習を採用するPCRec (Pre-training Graph Neural Network for Cross-Domain Recommendation) を考案した。
  論文  参考訳（メタデータ） (2021-11-16T07:34:42Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• Flexible deep transfer learning by separate feature embeddings and manifold alignment [0.0]
  オブジェクト認識は、業界と防衛において重要な存在である。 残念ながら、既存のラベル付きデータセットでトレーニングされたアルゴリズムは、データ分布が一致しないため、直接新しいデータに一般化しない。 本稿では,各領域の特徴抽出を個別に学習することで,この制限を克服する新しいディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-22T19:24:44Z)
• CMT in TREC-COVID Round 2: Mitigating the Generalization Gaps from Web to Special Domain Search [89.48123965553098]
  本稿では,特殊領域適応問題を緩和する探索システムを提案する。 このシステムは、ドメイン適応型事前学習と数発の学習技術を利用して、ニューラルネットワークがドメインの不一致を軽減するのに役立つ。 本システムでは,TREC-COVID タスクの第2ラウンドにおいて,非マニュアル実行において最善を尽くす。
  論文  参考訳（メタデータ） (2020-11-03T09:10:48Z)
• Transfer Learning via Contextual Invariants for One-to-Many Cross-Domain Recommendation [19.106717948585445]
  我々は、クロスドメイン学習のためのスケーラブルなニューラルネットワーク層トランスファーアプローチを開発した。 我々の重要な直感は、高密度領域とスパース領域で共有されるドメイン不変成分によるニューラルコラボレーティブフィルタリングを導くことです。 2つのパブリックデータセットと、Visaの大規模トランザクションデータセットに対して、我々のアプローチの有効性とスケーラビリティを示す。
  論文  参考訳（メタデータ） (2020-05-21T05:51:15Z)
• Deep Residual Correction Network for Partial Domain Adaptation [79.27753273651747]
  ディープドメイン適応法は、よくラベルされたソースドメインから異なるが関連する未ラベルのターゲットドメインへの転送可能な表現を学習することで、魅力的なパフォーマンスを実現している。 本稿では,効率よく実装された深部残留補正網を提案する。 部分的、伝統的、微粒なクロスドメイン認識に関する総合的な実験は、DRCNが競合深いドメイン適応アプローチよりも優れていることを示している。
  論文  参考訳（メタデータ） (2020-04-10T06:07:16Z)

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。