論文の概要: A Unified Framework for Cross-Domain and Cross-System Recommendations

• arxiv url: http://arxiv.org/abs/2108.07976v1
• Date: Wed, 18 Aug 2021 05:10:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-19 22:32:44.765704
• Title: A Unified Framework for Cross-Domain and Cross-System Recommendations
• Title（参考訳）: クロスドメインおよびクロスシステムレコメンデーションのための統一フレームワーク
• Authors: Feng Zhu, Yan Wang, Jun Zhou, Chaochao Chen, Longfei Li, and Guanfeng Liu
• Abstract要約: CDR(Cross-Domain Recommendation)とCSR(Cross-System Recommendation)は、ターゲットデータセット(ドメイン/システム)のレコメンデーション精度を改善するために提案されている。 本稿では、Dual-Target CDR(DTCDR)、Multi-Target CDR(MTCDR)、CDR+CSR(CDR+CSR)の3つの新しいシナリオに注目し、すべてのシナリオに対して同時に全てのデータセットのレコメンデーション精度を向上させることを目的とする。
• 参考スコア（独自算出の注目度）: 20.388459114221273
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-Domain Recommendation (CDR) and Cross-System Recommendation (CSR) have been proposed to improve the recommendation accuracy in a target dataset (domain/system) with the help of a source one with relatively richer information. However, most existing CDR and CSR approaches are single-target, namely, there is a single target dataset, which can only help the target dataset and thus cannot benefit the source dataset. In this paper, we focus on three new scenarios, i.e., Dual-Target CDR (DTCDR), Multi-Target CDR (MTCDR), and CDR+CSR, and aim to improve the recommendation accuracy in all datasets simultaneously for all scenarios. To do this, we propose a unified framework, called GA (based on Graph embedding and Attention techniques), for all three scenarios. In GA, we first construct separate heterogeneous graphs to generate more representative user and item embeddings. Then, we propose an element-wise attention mechanism to effectively combine the embeddings of common entities (users/items) learned from different datasets. Moreover, to avoid negative transfer, we further propose a Personalized training strategy to minimize the embedding difference of common entities between a richer dataset and a sparser dataset, deriving three new models, i.e., GA-DTCDR-P, GA-MTCDR-P, and GA-CDR+CSR-P, for the three scenarios respectively. Extensive experiments conducted on four real-world datasets demonstrate that our proposed GA models significantly outperform the state-of-the-art approaches.
• Abstract（参考訳）: CDR(Cross-Domain Recommendation)とCSR(Cross-System Recommendation)は、比較的豊富な情報を持つソースの助けを借りて、ターゲットデータセット(ドメイン/システム)のレコメンデーション精度を改善するために提案されている。 しかし、既存のCDRとCSRのアプローチのほとんどは単一ターゲット、すなわち単一のターゲットデータセットがあり、ターゲットデータセットにしか役に立たないため、ソースデータセットの恩恵を受けられない。 本稿では、Dual-Target CDR(DTCDR)、Multi-Target CDR(MTCDR)、CDR+CSR(CDR+CSR)の3つの新しいシナリオに注目し、すべてのシナリオに対して同時に全てのデータセットのレコメンデーション精度を向上させることを目的とする。 これを実現するために,3つのシナリオすべてに対して,GA(Graph Embedding and Attention Technique)と呼ばれる統一フレームワークを提案する。 GAでは、まず別の異種グラフを構築し、より代表的なユーザやアイテムの埋め込みを生成する。 次に,異なるデータセットから学習した共通エンティティ(ユーザ/イテム)の埋め込みを効果的に結合する要素的注意機構を提案する。 さらに,よりリッチなデータセットとスペーサーデータセットの共通エンティティの埋め込み差を最小限に抑えるために,それぞれGA-DTCDR-P,GA-MTCDR-P,GA-CDR+CSR-Pという3つの新しいモデルを導出するパーソナライズドトレーニング戦略を提案する。 4つの実世界のデータセットで広範な実験を行い、提案するgaモデルが最先端のアプローチを大きく上回ることを示した。

関連論文リスト

• 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)
• Heterogeneous Graph-based Framework with Disentangled Representations Learning for Multi-target Cross Domain Recommendation [7.247438542823219]
  CDR(Cross-Domain Recommendation)は、レコメンデーションシステムにおけるデータ空間の問題に対する重要な解決策である。 本稿では,HGDR (Heterogeneous Graph-based Framework with Disentangled Representations Learning)を提案する。 実世界のデータセットとオンラインA/Bテストの実験により、提案モデルがドメイン間の情報を効果的に伝達できることが証明された。
  論文  参考訳（メタデータ） (2024-07-01T02:27:54Z)
• Hyperbolic Knowledge Transfer in Cross-Domain Recommendation System [28.003142450569452]
  CDR(Cross-Domain Recommendation)は、異なるドメインからの知識を活用して、ターゲットのレコメンデーションドメインにおけるデータ空間の問題を軽減する。 現在のほとんどのメソッドはユークリッド空間のユーザやアイテムを表していますが、これは長い尾の分散データを扱うには理想的ではありません。 我々は,各ドメインのユニークな特徴を捉えるために,Hyperbolic Contrastive Learning (HCTS)と呼ばれる新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-06-25T05:35:02Z)
• Dataset Regeneration for Sequential Recommendation [69.93516846106701]
  DR4SRと呼ばれるモデルに依存しないデータセット再生フレームワークを用いて、理想的なトレーニングデータセットを開発するためのデータ中心のパラダイムを提案する。 データ中心のパラダイムの有効性を示すために、我々はフレームワークを様々なモデル中心の手法と統合し、4つの広く採用されているデータセット間で大きなパフォーマンス改善を観察する。
  論文  参考訳（メタデータ） (2024-05-28T03:45:34Z)
• Zero-shot Composed Text-Image Retrieval [72.43790281036584]
  合成画像検索(CIR)の問題点を考察する。 テキストや画像などのマルチモーダル情報を融合し、クエリにマッチする画像を正確に検索し、ユーザの表現能力を拡張できるモデルをトレーニングすることを目的としている。
  論文  参考訳（メタデータ） (2023-06-12T17:56:01Z)
• Plug-and-Play Regulators for Image-Text Matching [76.28522712930668]
  微細な対応と視覚的セマンティックなアライメントの爆発は、画像とテキストのマッチングにおいて大きな可能性を秘めている。 我々は、メッセージ出力を効率的にエンコードして、コンテキストを自動生成し、モーダル表現を集約する、シンプルだが非常に効果的な2つのレギュレータを開発した。 MSCOCOとFlickr30Kデータセットの実験は、複数のモデルで印象的で一貫したR@1ゲインをもたらすことができることを実証している。
  論文  参考訳（メタデータ） (2023-03-23T15:42:05Z)
• TGDM: Target Guided Dynamic Mixup for Cross-Domain Few-Shot Learning [66.8473995193952]
  クロスドメインの少数ショット学習は、ターゲットドメインにラベル付きサンプルを少数含む新しいクラスを認識することを目的としている。 本稿では,ソース領域とターゲット領域に画像が混在して生成された中間領域を紹介する。 本稿では、対象データを利用して混合画像の生成を誘導する新しいターゲット誘導動的混合(TGDM)フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-11T12:12:36Z)
• Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
  Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。 本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。 提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-12-08T08:52:00Z)
• A Deep Framework for Cross-Domain and Cross-System Recommendations [18.97641276417075]
  CDR(Cross-Domain Recommendation)とCSR(Cross-System Recommendation)は、レコメンダシステムにおけるデータ空間の問題に対処する、有望なソリューションである。 本稿では,行列因子化(MF)モデルと完全接続型ディープニューラルネットワーク(DNN)に基づく,DCDCSRと呼ばれるクロスドメインおよびクロスシステムレコメンデーションのためのディープフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-14T06:11:17Z)
• Cross-Domain Facial Expression Recognition: A Unified Evaluation Benchmark and Adversarial Graph Learning [85.6386289476598]
  我々は,クロスドメイン全体的特徴共適応のための新しい逆グラフ表現適応(AGRA)フレームワークを開発した。 我々は,いくつかの一般的なベンチマークで広範囲かつ公平な評価を行い,提案したAGRAフレームワークが従来の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-03T15:00:31Z)

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。