論文の概要: A Survey on Cross-domain Recommendation: Taxonomies, Methods, and Future Directions

• arxiv url: http://arxiv.org/abs/2108.03357v1
• Date: Sat, 7 Aug 2021 03:26:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-10 15:04:14.471827
• Title: A Survey on Cross-domain Recommendation: Taxonomies, Methods, and Future Directions
• Title（参考訳）: クロスドメイン勧告に関する調査--分類学,方法,今後の方向性
• Authors: Tianzi Zang, Yanmin Zhu, Haobing Liu, Ruohan Zhang, Jiadi Yu
• Abstract要約: 本稿では,異なるレコメンデーションシナリオとレコメンデーションタスクを分類するクロスドメインレコメンデーションの2段階の分類法を提案する。 次に、異なるレコメンデーションシナリオの下で、構造化された方法で既存のクロスドメインレコメンデーションアプローチを紹介し、要約する。
• 参考スコア（独自算出の注目度）: 27.894300356732696
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional recommendation systems are faced with two long-standing obstacles, namely, data sparsity and cold-start problems, which promote the emergence and development of Cross-Domain Recommendation (CDR). The core idea of CDR is to leverage information collected from other domains to alleviate the two problems in one domain. Over the last decade, many efforts have been engaged for cross-domain recommendation. Recently, with the development of deep learning and neural networks, a large number of methods have emerged. However, there is a limited number of systematic surveys on CDR, especially regarding the latest proposed methods as well as the recommendation scenarios and recommendation tasks they address. In this survey paper, we first proposed a two-level taxonomy of cross-domain recommendation which classifies different recommendation scenarios and recommendation tasks. We then introduce and summarize existing cross-domain recommendation approaches under different recommendation scenarios in a structured manner. We also organize datasets commonly used. We conclude this survey by providing several potential research directions about this field.
• Abstract（参考訳）: 従来のレコメンデーションシステムは、CDR(Cross-Domain Recommendation)の出現と発展を促進する2つの長期的障害、すなわちデータ空間とコールドスタートの問題に直面している。 CDRの中核となる考え方は、他のドメインから収集された情報を活用して、1つのドメインにおける2つの問題を緩和することである。 過去10年間で、多くの取り組みがクロスドメインレコメンデーションに取り組んできた。 近年,ディープラーニングとニューラルネットワークが開発され,数多くの手法が登場している。 しかしながら、CDRに関する体系的な調査は限られており、特に最新の提案手法や、それらが対処するレコメンデーションシナリオやレコメンデーションタスクについてである。 本稿では,まず,異なる推薦シナリオと推薦タスクを分類するクロスドメイン推薦の2段階分類法を提案する。 次に、異なるレコメンデーションシナリオの下で既存のクロスドメインレコメンデーションアプローチを構造化的に紹介・要約する。 一般的に使用されるデータセットも整理します。 本調査の結論は,本分野に関するいくつかの潜在的研究指針を提供することである。

関連論文リスト

• A Unified Framework for Cross-Domain Recommendation [15.987800946057343]
  クロスドメイン勧告は有望な方法論として現れます。 我々は、以前のSOTAモデルであるUniCDRを、UniCDR+という名前の5つの異なる側面で拡張する。 我々の作業はクアイシュ州リビング・ルーム・RecSysで成功裏に展開されました。
  論文  参考訳（メタデータ） (2024-09-06T18:10:42Z)
• Graph Signal Processing for Cross-Domain Recommendation [37.87497277046321]
  クロスドメインレコメンデーション(CDR)は、高密度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、データ空間とコールドスタート問題を緩和することにより、従来のレコメンデーションシステムを拡張する。 既存のCDR手法の多くは、重複するユーザの割合と、ソースドメインとターゲットドメインの固有の相違に敏感である。 GSPに基づく統一CDRフレームワークであるCGSPを提案し、ターゲットのみの類似性とソースブリッジの類似性を柔軟に組み合わせて構築されたクロスドメイン類似性グラフを利用する。
  論文  参考訳（メタデータ） (2024-07-17T07:52:45Z)
• Cross-Domain Few-Shot Segmentation via Iterative Support-Query Correspondence Mining [81.09446228688559]
  Cross-Domain Few-Shots (CD-FSS) は、限定された例のみを用いて、異なるドメインから新しいカテゴリを分割するという課題を提起する。 本稿では,CD-FSSの課題に対処する新しいクロスドメイン微調整手法を提案する。
  論文  参考訳（メタデータ） (2024-01-16T14:45:41Z)
• Guided Depth Map Super-resolution: A Survey [88.54731860957804]
  誘導深度マップ超解像(GDSR)は、高分解能(HR)深度マップを低分解能(LR)観測から2枚のHRカラー画像の助けを借りて再構成することを目的としている。 近年,特に強力な深層学習技術を用いて,斬新で効果的なアプローチが多数提案されている。 この調査は、GDSRの最近の進歩に関する包括的調査を提示する試みである。
  論文  参考訳（メタデータ） (2023-02-19T15:43:54Z)
• A cross-domain recommender system using deep coupled autoencoders [77.86290991564829]
  クロスドメインレコメンデーションのために2つの新しい結合型オートエンコーダに基づくディープラーニング手法を提案する。 最初の方法は、ソースドメインとターゲットドメイン内のアイテムの固有表現を明らかにするために、一対のオートエンコーダを同時に学習することを目的としている。 第2の方法は,2つのオートエンコーダを用いてユーザとアイテム待ち行列を深く非線形に生成する,新たな共同正規化最適化問題に基づいて導出する。
  論文  参考訳（メタデータ） (2021-12-08T15:14:26Z)
• Towards Explainable Scientific Venue Recommendations [0.09668407688201358]
  本稿では,この領域における最先端の手法を提案する。 まず,非負行列分解に基づくトピックモデルを用いて,推薦の解釈可能性を高める。 第二に、より単純な学習方法を用いて、驚くほど競争力のあるレコメンデーション性能を得ることができる。
  論文  参考訳（メタデータ） (2021-09-21T10:25:26Z)
• Dual Attentive Sequential Learning for Cross-Domain Click-Through Rate Prediction [76.98616102965023]
  クロスドメインレコメンダシステムは、コールドスタートとスパシティの問題に対処するための強力な方法である。 本稿では,二元学習機構に基づくクロスドメインシーケンシャルなレコメンデーション手法を提案する。
  論文  参考訳（メタデータ） (2021-06-05T01:21:21Z)
• Dual Metric Learning for Effective and Efficient Cross-Domain Recommendations [85.6250759280292]
  クロスドメインレコメンダーシステムは、消費者が異なるアプリケーションで有用なアイテムを識別するのを助けるためにますます価値があります。 既存のクロスドメインモデルは、通常、多くのオーバーラップユーザーを必要とするため、いくつかのアプリケーションでは取得が困難である。 本稿では,2つのドメイン間で情報を反復的に伝達する二元学習に基づく新しいクロスドメインレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2021-04-17T09:18:59Z)
• On Evolving Attention Towards Domain Adaptation [110.57454902557767]
  本稿では、人間の介入なしに特定のUDAタスクの注意構成を進化させる新しいフレームワークであるEvoADAを提案する。 Office-31、Office-Home、CUB-Paintings、Duke-Market-1510といったクロスドメインベンチマークの実験は、提案されたEvoADAが一貫して複数の最先端ドメイン適応アプローチを向上していることを示している。
  論文  参考訳（メタデータ） (2021-03-25T01:50:28Z)
• Cross-Domain Recommendation: Challenges, Progress, and Prospects [21.60393384976869]
  クロスドメインレコメンデーション(CDR)は、スパーサードメインのレコメンデーションパフォーマンスを改善するために、よりリッチなドメインからの比較的リッチな情報を活用するために提案されている。 本稿では,課題,研究の進展,今後の方向性など,既存のCDRアプローチの総合的なレビューを行う。
  論文  参考訳（メタデータ） (2021-03-02T12:58:08Z)

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。