論文の概要: Aligning Hotel Embeddings using Domain Adaptation for Next-Item Recommendation

• arxiv url: http://arxiv.org/abs/2108.13824v1
• Date: Tue, 31 Aug 2021 13:29:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-01 19:46:55.538141
• Title: Aligning Hotel Embeddings using Domain Adaptation for Next-Item Recommendation
• Title（参考訳）: 次項目推薦のためのドメイン適応型ホテル埋め込みのアライメント
• Authors: Ioannis Partalas
• Abstract要約: 本稿では,異なるブランドのホテル埋め込みをドメイン適応により整列する正規化手法を提案する。 2つのブランドのクリックセッションを用いた次報知予測の課題に関する結果を示す。
• 参考スコア（独自算出の注目度）: 1.2139893590428006
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In online platforms it is often the case to have multiple brands under the same group which may target different customer profiles, or have different domains. For example, in the hospitality domain, Expedia Group has multiple brands like Brand Expedia, Hotels.com and Wotif which have either different traveler profiles or are more relevant in a local context. In this context, learning embeddings for hotels that can be leveraged in recommendation tasks in multiple brands requires to have a common embedding that can be induced using alignment approaches. In the same time, one needs to ensure that this common embedding space does not degrade the performance in any of the brands. In this work we build upon the hotel2vec model and propose a simple regularization approach for aligning hotel embeddings of different brands via domain adaptation. We also explore alignment methods previously used in cross-lingual embeddings to align spaces of different languages. We present results on the task of next-hotel prediction using click sessions from two brands. The results show that the proposed approach can align the two embedding spaces while achieving good performance in both brands. Additionally, with respect to single-brand training we show that the proposed approach can significantly reduce training time and improve the predictive performance.
• Abstract（参考訳）: オンラインプラットフォームでは、同じグループの下に複数のブランドがあり、異なる顧客プロファイルをターゲットにしたり、異なるドメインを持つこともある。 例えば、ホスピタリティの分野では、Expedia GroupにはBrand Expedia、Hotels.com、Wotifといった複数のブランドがあり、旅行者のプロフィールが異なるか、ローカルな文脈でより関係がある。 この文脈では、複数のブランドでレコメンデーションタスクで活用できるホテルの埋め込みを学習するには、アライメントアプローチを用いて誘導できる共通の埋め込みが必要である。 同時に、この共通の埋め込みスペースがどのブランドでも性能を低下させないようにする必要がある。 本研究は,Hotel2vecモデルに基づいて,異なるブランドのホテル埋め込みをドメイン適応により整列するシンプルな正規化手法を提案する。 また,従来の言語間埋め込みにおけるアライメント手法についても検討した。 2つのブランドのクリックセッションを用いた次報知予測の課題に関する結果を示す。 提案手法は,両ブランドにおいて良好な性能を保ちつつ,2つの埋め込み空間を整列させることができることを示す。 さらに,シングルブランドトレーニングに関して,提案手法がトレーニング時間を著しく短縮し,予測性能を向上させることを示す。

関連論文リスト

• Mixed Attention Network for Cross-domain Sequential Recommendation [63.983590953727386]
  ドメイン固有・クロスドメイン情報を抽出するために,ローカル・グローバル・アテンション・モジュールを用いた混在注意ネットワーク(MAN)を提案する。 2つの実世界のデータセットに対する実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2023-11-14T16:07:16Z)
• Multi-domain Recommendation with Embedding Disentangling and Domain Alignment [24.767026092990292]
  マルチドメインレコメンデーション(MDR)は、複数のドメインに重複するユーザ/イテムを持つレコメンデーションを提供することを目的としている。 既存のMDRモデルは2つの課題に直面している。 EDDAと呼ばれる新しいMDR手法を提案し,その2つの鍵となる要素,すなわちディエンタングリングレコメンデータとドメインアライメントの埋め込みを提案する。
  論文  参考訳（メタデータ） (2023-08-10T11:41:34Z)
• Dual-level Interaction for Domain Adaptive Semantic Segmentation [0.0]
  セマンティックセグメンテーションにおけるドメイン適応(DIDA)のための二重レベル相互作用を提案する。 具体的には、同じピクセルの異なる拡張ビューが類似したクラス予測を持つように推奨する。 我々の手法は、特に混乱した長い尾のクラスにおいて、最先端の技術よりも顕著に優れている。
  論文  参考訳（メタデータ） (2023-07-16T07:51:18Z)
• RLSEP: Learning Label Ranks for Multi-label Classification [0.0]
  マルチラベルランキングは、複数の可能なクラスの予測ラベルのランキングにインスタンスをマップする。 不正なランク付けペアに対するペナルティを組み込んだモデル最適化のための,新たな専用損失関数を提案する。 提案手法は,合成および実世界のランク付けされたデータセットについて,最も優れた評価結果を得る。
  論文  参考訳（メタデータ） (2022-12-08T00:59:09Z)
• A Robust Contrastive Alignment Method For Multi-Domain Text Classification [21.35729884948437]
  マルチドメインテキスト分類は、様々なシナリオで自動的にテキストを分類することができる。 現在の高度なメソッドでは、プライベート共有のパラダイムを使用し、共有エンコーダによってドメイン共有の機能をキャプチャし、各ドメインに対してプライベートエンコーダをトレーニングしてドメイン固有の特徴を抽出する。 教師付きコントラスト学習により,異なる領域のテキスト分類特徴を同じ特徴空間に整列させる頑健なコントラストアライメント手法を提案する。
  論文  参考訳（メタデータ） (2022-04-26T07:34:24Z)
• 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)
• Few-shot Learning for Multi-label Intent Detection [59.66787898744991]
  State-of-the-art work estimates label-instancelevance scores and using threshold to select multiple associated intent labels。 2つのデータセットの実験により、提案モデルが1ショットと5ショットの両方の設定において強いベースラインを著しく上回ることが示された。
  論文  参考訳（メタデータ） (2020-10-11T14:42:18Z)
• SPL-MLL: Selecting Predictable Landmarks for Multi-Label Learning [87.27700889147144]
  我々は、入力(予測可能)に応じて予測しやすく、他の可能なラベル(表現可能)をうまく回復できるランドマークとして、ラベルの小さなサブセットを選択することを提案する。 我々は,ADM(Alternating Direction Method)を用いてこの問題を解決する。実世界のデータセットに関する実証研究により,本手法が他の最先端手法よりも優れた分類性能を実現することを示す。
  論文  参考訳（メタデータ） (2020-08-16T11:07:44Z)
• Fantastic Embeddings and How to Align Them: Zero-Shot Inference in a Multi-Shop Scenario [17.156864650143675]
  本稿では,マルチショップパーソナライズに複数の埋め込み空間を活用するという課題に対処する。 手動による介入なしに、あるウェブサイトから別のウェブサイトにショッピング意図を移すことで、ゼロショット推論が可能であることを示す。 2つのダウンストリームタスク、イベント予測とタイプアヘッド提案で共有埋め込み空間をテストすることで、ゼロショットのパーソナライゼーションが実際に実現可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-20T13:46:23Z)
• Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
  Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。 学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。 本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-15T10:08:39Z)

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。