論文の概要: DySR: A Dynamic Representation Learning and Aligning based Model for
Service Bundle Recommendation
- arxiv url: http://arxiv.org/abs/2108.03360v1
- Date: Sat, 7 Aug 2021 03:49:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-10 15:37:07.625689
- Title: DySR: A Dynamic Representation Learning and Aligning based Model for
Service Bundle Recommendation
- Title(参考訳): DySR: サービスバンドル勧告のための動的表現学習と調整ベースモデル
- Authors: Mingyi Liu and Zhiying Tu and Xiaofei Xu and Zhongjie Wang
- Abstract要約: このような問題に対処するために,動的表現学習と協調型モデルDySRを提案する。
そこで,DySRは従来の評価手法よりも優れていることを示す。
- 参考スコア(独自算出の注目度): 4.729833950299859
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An increasing number and diversity of services are available, which result in
significant challenges to effective reuse service during requirement
satisfaction. There have been many service bundle recommendation studies and
achieved remarkable results. However, there is still plenty of room for
improvement in the performance of these methods. The fundamental problem with
these studies is that they ignore the evolution of services over time and the
representation gap between services and requirements. In this paper, we propose
a dynamic representation learning and aligning based model called DySR to
tackle these issues. DySR eliminates the representation gap between services
and requirements by learning a transformation function and obtains service
representations in an evolving social environment through dynamic graph
representation learning. Extensive experiments conducted on a real-world
dataset from ProgrammableWeb show that DySR outperforms existing
state-of-the-art methods in commonly used evaluation metrics, improving $F1@5$
from $36.1\%$ to $69.3\%$.
- Abstract(参考訳): サービスの数と多様性が増加し、要求満足度の間にサービスを効果的に再利用する上で大きな課題が生じる。
多くのサービスバンドルレコメンデーション研究が行われ、素晴らしい結果が得られた。
しかし、これらの手法の性能を改善する余地はまだ十分にある。
これらの研究の根本的な問題は、時間とともにサービスの進化とサービスと要求の間の表現ギャップを無視していることです。
本稿では,これらの問題に取り組むために,dysrと呼ばれる動的表現学習モデルを提案する。
DySRは変換関数を学習することでサービスと要求の表現ギャップをなくし、動的グラフ表現学習を通じて進化する社会環境におけるサービス表現を得る。
ProgrammableWebの実際のデータセットで実施された大規模な実験によると、DySRは一般的な評価指標で既存の最先端メソッドよりも優れており、F1@5$を36.1\%から69.3\%に改善している。
関連論文リスト
- RA-ISF: Learning to Answer and Understand from Retrieval Augmentation
via Iterative Self-Feedback [20.249150294489265]
大規模言語モデル(LLM)は多くのタスクにおいて例外的な性能を示すが、それでもパラメータに格納された知識に大きく依存している。
Retrieval-augmented Generation (RAG)メソッドは、外部知識を統合することでこの問題に対処する。
本稿では、反復的にタスクを分解し、3つのサブモジュールで処理し、モデルの問題解決能力を向上するフレームワークであるRetrieval Augmented Iterative Self-Feedback (RA-ISF)を提案する。
論文 参考訳(メタデータ) (2024-03-11T16:01:05Z) - QoS-Aware Graph Contrastive Learning for Web Service Recommendation [3.130026754572506]
本研究は,Quality of Service (QoS) を用いたWebサービスレコメンデーションにおける,データの分散性の課題とコールドスタート問題に対処することを目的とする。
本モデルは,コールドスタート問題に対処し,精度を効果的に向上するために,グラフコントラスト学習の力を利用する。
我々の研究は、ユーザとサービスのインタラクションデータに制限がある場合でも、現実世界のシナリオにおいてより正確なレコメンデーションの可能性を示唆している。
論文 参考訳(メタデータ) (2024-01-06T08:36:04Z) - Improving Reinforcement Learning Efficiency with Auxiliary Tasks in
Non-Visual Environments: A Comparison [0.0]
本研究は,低次元非視覚的観察のための唯一の疎結合表現学習法である,我々の知識を最大限に活用して,一般的な補助課題と比較する。
その結果, 十分複雑な環境下では, 補助的タスクによる表現学習は, 性能向上にのみ寄与することがわかった。
論文 参考訳(メタデータ) (2023-10-06T13:22:26Z) - Adaptive REST API Testing with Reinforcement Learning [54.68542517176757]
現在のテストツールは効率的な探索機構がなく、全ての操作とパラメータを等しく扱う。
現在のツールは、仕様にレスポンススキーマがない場合や、変種を示す場合に苦労している。
我々は、強化学習を取り入れた適応型REST APIテスト手法を提案し、探索中の操作を優先順位付けする。
論文 参考訳(メタデータ) (2023-09-08T20:27:05Z) - Parameter-Efficient Transfer Learning for Remote Sensing Image-Text
Retrieval [10.84733740863356]
本研究では,画像テキスト検索タスクにおいて,自然領域から RS 領域に視覚言語知識を伝達するためのパラメータ効率変換学習(PETL)手法について検討する。
提案モデルでは0.16万のトレーニングパラメータしか含まないため,完全微調整に比べて98.9%のパラメータ削減が可能である。
検索性能は従来の手法を7~13%超え,完全微調整よりも高い性能を達成している。
論文 参考訳(メタデータ) (2023-08-24T02:43:53Z) - Contrastive Example-Based Control [163.6482792040079]
報酬関数ではなく多段階遷移の暗黙的なモデルを学ぶオフラインのサンプルベース制御法を提案する。
状態ベースおよび画像ベースのオフライン制御タスクの範囲で、学習された報酬関数を使用するベースラインよりも優れています。
論文 参考訳(メタデータ) (2023-07-24T19:43:22Z) - When Search Meets Recommendation: Learning Disentangled Search
Representation for Recommendation [56.98380787425388]
シークエンシャルレコメンデーション(SESRec)のための検索強化フレームワークを提案する。
SESRec は、S&R の振る舞いにおいて類似および異種表現を分離する。
産業用と公共用両方のデータセットの実験では、SESRecが最先端のモデルより一貫して優れていることが示されている。
論文 参考訳(メタデータ) (2023-05-18T09:04:50Z) - Optimal Event Monitoring through Internet Mashup over Multivariate Time
Series [77.34726150561087]
このフレームワークは、モデル定義、クエリ、パラメータ学習、モデル評価、データ監視、決定レコメンデーション、Webポータルのサービスをサポートする。
さらに、MTSAデータモデルとクエリ言語を拡張して、学習、監視、レコメンデーションのサービスにおいて、この種の問題をサポートする。
論文 参考訳(メタデータ) (2022-10-18T16:56:17Z) - Exploratory State Representation Learning [63.942632088208505]
本稿では,XSRL(eXploratory State Representation Learning)と呼ばれる新しい手法を提案する。
一方、コンパクトな状態表現と、その表現から不可解な情報を除去するために使用される状態遷移推定器を共同で学習する。
一方、逆モデルを継続的に訓練し、このモデルの予測誤差に$k$-stepの学習促進ボーナスを加え、発見ポリシーの目的を形成する。
論文 参考訳(メタデータ) (2021-09-28T10:11:07Z) - Scaling up Search Engine Audits: Practical Insights for Algorithm
Auditing [68.8204255655161]
異なる地域に数百の仮想エージェントを配置した8つの検索エンジンの実験を行った。
複数のデータ収集にまたがる研究インフラの性能を実証する。
仮想エージェントは,アルゴリズムの性能を長時間にわたって監視するための,有望な場所である,と結論付けている。
論文 参考訳(メタデータ) (2021-06-10T15:49:58Z) - An online learning approach to dynamic pricing and capacity sizing in
service systems [26.720986177499338]
本稿では,$GI/GI/1$キューにおいて,動的価格とキャパシティサイズの問題について検討する。
私たちのフレームワークは、GOLiQ(Gradient-based Online Learning in Queue)と呼ばれています。
論文 参考訳(メタデータ) (2020-09-07T07:17:20Z)
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。