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
- Diffusion Cross-domain Recommendation [0.0]
コールドスタートユーザに高品質な結果を提供するために拡散クロスドメイン勧告(DiffCDR)を提案する。
まず、DPMの理論を採用し、ターゲットドメインにユーザの埋め込みを生成する拡散モジュール(DIM)を設計する。
さらに、ターゲットドメインのラベルデータを検討し、タスク指向の損失関数を作成し、DiffCDRが特定のタスクに適応できるようにする。
論文 参考訳(メタデータ) (2024-02-03T15:14:51Z) - Towards Open-world Cross-Domain Sequential Recommendation: A
Model-Agnostic Contrastive Denoising Approach [16.630686688097967]
クロスドメインシーケンシャルレコメンデーション(CDSR)は、従来のシーケンシャルレコメンデーション(SR)システムに存在するデータ空間の問題に対処することを目的としている。
現実世界のレコメンデーションシステムでは、CDSRシナリオは通常、疎い振る舞いを持つ長い尾を持つユーザーの大多数と、一つのドメインにしか存在しないコールドスタートユーザーで構成される。
論文 参考訳(メタデータ) (2023-11-08T15:33:06Z) - 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) - Enhancing Few-shot NER with Prompt Ordering based Data Augmentation [59.69108119752584]
本稿では,PODA(Prompt Ordering Based Data Augmentation)手法を提案する。
3つのパブリックNERデータセットの実験結果とさらなる分析により,本手法の有効性が示された。
論文 参考訳(メタデータ) (2023-05-19T16:25:43Z) - 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) - GReS: Graphical Cross-domain Recommendation for Supply Chain Platform [20.778556166772987]
クロスドメインレコメンデーション(CDR)は、ソースドメイン情報によってターゲット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。
CDRをSCPに適用することは、商品の階層構造を直接無視し、レコメンデーション性能を低下させる。
本稿では,グラフィカルなクロスドメインレコメンデーションモデルであるGReSを提案する。
論文 参考訳(メタデータ) (2022-09-02T12:58:03Z) - 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。