論文の概要: Revisiting SVD to generate powerful Node Embeddings for Recommendation Systems

• arxiv url: http://arxiv.org/abs/2110.03665v1
• Date: Tue, 5 Oct 2021 20:41:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-09 14:08:06.905631
• Title: Revisiting SVD to generate powerful Node Embeddings for Recommendation Systems
• Title（参考訳）: 勧告システムのための強力なノード埋め込み生成のためのSVDの再検討
• Authors: Amar Budhiraja
• Abstract要約: ユーザとアイテムの生成を埋め込むために,隣接行列の特異値分解(SVD)を再検討する。 これらの埋め込みの上に2層ニューラルネットワークを使用して、ユーザとイテムのペア間の関係を学習する。 GRLにおける高次学習の成功に触発されて,SVDの2ホップ隣人を含む手法の拡張を提案する。
• 参考スコア（独自算出の注目度）: 3.388509725285237
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Representation Learning (GRL) is an upcoming and promising area in recommendation systems. In this paper, we revisit the Singular Value Decomposition (SVD) of adjacency matrix for embedding generation of users and items and use a two-layer neural network on top of these embeddings to learn relevance between user-item pairs. Inspired by the success of higher-order learning in GRL, we further propose an extension of this method to include two-hop neighbors for SVD through the second order of the adjacency matrix and demonstrate improved performance compared with the simple SVD method which only uses one-hop neighbors. Empirical validation on three publicly available datasets of recommendation system demonstrates that the proposed methods, despite being simple, beat many state-of-the-art methods and for two of three datasets beats all of them up to a margin of 10%. Through our research, we want to shed light on the effectiveness of matrix factorization approaches, specifically SVD, in the deep learning era and show that these methods still contribute as important baselines in recommendation systems.
• Abstract（参考訳）: グラフ表現学習(grl)は、レコメンデーションシステムにおける近未来の有望な分野である。 本稿では,ユーザとアイテムの生成を組込むための隣接行列の特異値分解(svd)を再検討し,それらの組込みの上に2層ニューラルネットワークを用い,ユーザとアイテムのペア間の関連性を学習する。 GRLにおける高次学習の成功に触発されて,隣接行列の2次を通したSVDの2つのホップ隣人を含む手法が提案され,ワンホップ隣人のみを用いる単純なSVD法と比較して性能が向上した。 3つの一般公開されたレコメンデーションシステムのデータセットに対する実証的な検証は、提案された手法が単純であるにもかかわらず、多くの最先端の手法を破り、3つのデータセットのうち2つがそれら全てを10%のマージンまで上回っていることを示している。 本研究は, 深層学習における行列分解手法, 特にSVDの有効性を明らかにするとともに, これらの手法がレコメンデーションシステムにおいて重要なベースラインとなっていることを示すものである。

関連論文リスト

• Unleash LLMs Potential for Recommendation by Coordinating Twin-Tower Dynamic Semantic Token Generator [60.07198935747619]
  動的セマンティック・インデックス・パラダイムを採用した最初の生成型RSであるTTDS(Twin-Tower Dynamic Semantic Recommender)を提案する。 より具体的には、ツイン・トワー・セマンティック・トークン・ジェネレータをLLMベースのレコメンデータに統合する動的知識融合フレームワークを初めて提案する。 提案したTTDSレコメンデータは,平均19.41%のヒットレート,20.84%のNDCG測定値を実現している。
  論文  参考訳（メタデータ） (2024-09-14T01:45:04Z)
• Enhancing Scalability in Recommender Systems through Lottery Ticket Hypothesis and Knowledge Distillation-based Neural Network Pruning [1.3654846342364308]
  本研究では、ニューラルネットワークの効率的なプルーニングを目的とした革新的なアプローチを導入し、エッジデバイスへの展開に特に焦点をあてる。 本手法は,LTH(Lottery Ticket hypothesis)とKD(Knowledge Distillation)フレームワークを統合することで,3つの異なるプルーニングモデルの定式化を実現する。 幸いなことに、我々のアプローチはGPU計算能力の最大66.67%を削減した。
  論文  参考訳（メタデータ） (2024-01-19T04:17:50Z)
• Embedding in Recommender Systems: A Survey [67.67966158305603]
  重要な側面は、ユーザやアイテムIDといった高次元の離散的な特徴を低次元連続ベクトルに包含する技法である。 埋め込み技術の適用は複雑なエンティティ関係を捉え、かなりの研究を刺激している。 この調査では、協調フィルタリング、自己教師付き学習、グラフベースのテクニックなどの埋め込み手法を取り上げている。
  論文  参考訳（メタデータ） (2023-10-28T06:31:06Z)
• MV-JAR: Masked Voxel Jigsaw and Reconstruction for LiDAR-Based Self-Supervised Pre-Training [58.07391711548269]
  Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training
  論文  参考訳（メタデータ） (2023-03-23T17:59:02Z)
• GraphLearner: Graph Node Clustering with Fully Learnable Augmentation [76.63963385662426]
  Contrastive Deep Graph Clustering (CDGC)は、異なるクラスタにノードをグループ化するために、コントラスト学習のパワーを活用する。 我々は、GraphLearnerと呼ばれる、完全学習可能な拡張を備えたグラフノードクラスタリングを提案する。 学習可能な拡張器を導入し、CDGCのための高品質でタスク固有の拡張サンプルを生成する。
  論文  参考訳（メタデータ） (2022-12-07T10:19:39Z)
• Adapting Triplet Importance of Implicit Feedback for Personalized Recommendation [43.85549591503592]
  インプシットフィードバックは、パーソナライズされたレコメンデーションサービスを開発するために頻繁に使用される。 本稿では,Triplet Importance Learning (TIL) という新たなトレーニングフレームワークを提案する。 提案手法は,トップkレコメンデーションのRecall@kにおいて,既存モデルよりも3～21%優れていた。
  論文  参考訳（メタデータ） (2022-08-02T19:44:47Z)
• Learning Similarity Preserving Binary Codes for Recommender Systems [5.799838997511804]
  我々は、ハッシュベースのレコメンデータシステム、すなわち、コンパクトクロスシミラリティレコメンダ(CCSR)のための未探索モジュールの組み合わせについて研究する。 クロスモーダル検索にインスパイアされたCCSRは、行列分解や評価再構成の代わりにPosteriori類似性を利用して、ユーザとアイテム間のインタラクションをモデル化する。 MovieLens1Mデータセットでは、絶対的なパフォーマンス改善はNDCGが15.69%、リコールが4.29%である。
  論文  参考訳（メタデータ） (2022-04-18T21:33:59Z)
• Boosting RANSAC via Dual Principal Component Pursuit [24.942079487458624]
  本稿では,強力な理論的支援と効率的なアルゴリズムを備えた頑健な部分空間学習手法としてDual principal Component Pursuit (DPCP)を紹介した。 2次元ホモグラフ、基本行列、基本行列、および3次元ホモグラフテンソルの推定実験は、我々のアプローチが最先端の代替よりも一貫して精度が高いことを示している。
  論文  参考訳（メタデータ） (2021-10-06T17:04:45Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)
• Exploration in two-stage recommender systems [79.50534282841618]
  2段階のレコメンデータシステムは、スケーラビリティと保守性のために業界で広く採用されている。 このセットアップの鍵となる課題は、各ステージの最適性能が最適なグローバルパフォーマンスを暗示していないことである。 そこで本研究では,ランクとノミネーター間の探索戦略を同期させる手法を提案する。
  論文  参考訳（メタデータ） (2020-09-01T16:52:51Z)
• Deep Multi-View Enhancement Hashing for Image Retrieval [40.974719473643724]
  本稿では,ニューラルネットワークによるマルチビュー情報の強化が可能な教師付きマルチビューハッシュモデルを提案する。 提案手法は, CIFAR-10, NUS-WIDE, MS-COCOデータセットを用いて, システム評価を行った。
  論文  参考訳（メタデータ） (2020-02-01T08:32:27Z)

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。