論文の概要: Personalized Transfer of User Preferences for Cross-domain Recommendation

• arxiv url: http://arxiv.org/abs/2110.11154v1
• Date: Thu, 21 Oct 2021 13:59:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-22 18:18:08.261677
• Title: Personalized Transfer of User Preferences for Cross-domain Recommendation
• Title（参考訳）: クロスドメインレコメンデーションのためのユーザ嗜好のパーソナライズされた転送
• Authors: Yongchun Zhu, Zhenwei Tang, Yudan Liu, Fuzhen Zhuang, Ruobing Xie, Xu Zhang, Leyu Lin, Qing He
• Abstract要約: ソースドメインからターゲットドメインにユーザの好みを転送する方法は、クロスドメインレコメンデーションにおいて重要な問題である。 PTUPCDR(Personalized Transfer of User Preferences for Cross-domain Recommendation)という新しいフレームワークを提案する。 寒冷期および暖暖期におけるPTUPCDRの有効性を評価するための広範な実験を行った。
• 参考スコア（独自算出の注目度）: 31.66579257624623
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cold-start problem is still a very challenging problem in recommender systems. Fortunately, the interactions of the cold-start users in the auxiliary source domain can help cold-start recommendations in the target domain. How to transfer user's preferences from the source domain to the target domain, is the key issue in Cross-domain Recommendation (CDR) which is a promising solution to deal with the cold-start problem. Most existing methods model a common preference bridge to transfer preferences for all users. Intuitively, since preferences vary from user to user, the preference bridges of different users should be different. Along this line, we propose a novel framework named Personalized Transfer of User Preferences for Cross-domain Recommendation (PTUPCDR). Specifically, a meta network fed with users' characteristic embeddings is learned to generate personalized bridge functions to achieve personalized transfer of preferences for each user. To learn the meta network stably, we employ a task-oriented optimization procedure. With the meta-generated personalized bridge function, the user's preference embedding in the source domain can be transformed into the target domain, and the transformed user preference embedding can be utilized as the initial embedding for the cold-start user in the target domain. Using large real-world datasets, we conduct extensive experiments to evaluate the effectiveness of PTUPCDR on both cold-start and warm-start stages. The code has been available at \url{https://github.com/easezyc/WSDM2022-PTUPCDR}.
• Abstract（参考訳）: コールドスタート問題はまだレコメンデーションシステムにおいて非常に難しい問題です。 幸いなことに、補助ソースドメインのコールドスタートユーザのインタラクションは、ターゲットドメインのコールドスタートレコメンデーションに役立つ。 ユーザの好みをソースドメインからターゲットドメインに転送する方法は、コールドスタート問題に対処するための有望なソリューションであるクロスドメイン勧告(CDR)において重要な問題である。 既存のほとんどのメソッドは、すべてのユーザの好みを転送するための共通の嗜好ブリッジをモデル化する。 直感的には、好みはユーザーによって異なるため、異なるユーザの好みのブリッジは異なるべきである。 本稿では,PTUPCDR(Personalized Transfer of User Preferences for Cross-domain Recommendation)という新しいフレームワークを提案する。 具体的には,ユーザの特徴を組み込んだメタネットワークを学習し,個別化されたブリッジ関数を生成し,各ユーザの好みの伝達を実現する。 メタネットワークを安定的に学習するために,タスク指向最適化手法を用いる。 メタ生成パーソナライズドブリッジ機能により、ソースドメインへのユーザの嗜好埋め込みをターゲットドメインに変換し、変換されたユーザ嗜好埋め込みを、ターゲットドメインにおけるコールドスタートユーザの初期埋め込みとして利用することができる。 大規模な実世界のデータセットを用いて,PTUPCDRの冷間開始と暖間開始の両段階における有効性を評価するための広範な実験を行った。 コードは \url{https://github.com/easezyc/WSDM2022-PTUPCDR} で公開されている。

関連論文リスト

• Coherence-guided Preference Disentanglement for Cross-domain Recommendations [71.4198675855171]
  本研究では,共有項目属性を明示的に抽出し,共有ユーザの好みを学習するためのコヒーレンス誘導型参照不整合(CoPD)手法を提案する。 実世界のデータセットで行った実験は、既存の競争ベースラインよりも提案したCoPDの優れた性能を示し、ドメイン間の推薦性能を向上させる効果を強調した。
  論文  参考訳（メタデータ） (2024-10-27T20:21:14Z)
• Modeling Domain and Feedback Transitions for Cross-Domain Sequential Recommendation [60.09293734134179]
  $textTransition2$は、ドメインとユーザフィードバックのタイプの両方にわたるトランジションをモデル化する新しい方法です。 ユーザ履歴に基づいた遷移対応グラフエンコーダを導入し,フィードバックタイプに応じて異なる重みをエッジに割り当てる。 我々は、異なるタイプの遷移を識別するために、様々なマスクを組み込んで、クロストランジション・マルチヘッド・セルフアテンションを用いて、ユーザ履歴をエンコードする。
  論文  参考訳（メタデータ） (2024-08-15T15:18:55Z)
• MIMNet: Multi-Interest Meta Network with Multi-Granularity Target-Guided Attention for Cross-domain Recommendation [6.7902741961967]
  クロスドメインレコメンデーション(CDR)は、スパーシリティとコールドスタートの問題を緩和する上で重要な役割を果たす。 クロスドメインレコメンデーションのためのMIMNet(Multi-interest Meta Network)を提案する。
  論文  参考訳（メタデータ） (2024-07-31T13:30:34Z)
• Diverse Preference Augmentation with Multiple Domains for Cold-start Recommendations [92.47380209981348]
  メタラーニングをベースとした多元的ドメインを用いた多元的推論拡張フレームワークを提案する。 我々は、疎結合の場合の過度な適合を扱うために、新しい関心領域において多様な評価を生成する。 これらの評価は、選好メタラーナーを学ぶためのメタトレーニング手順に導入され、優れた一般化能力が得られる。
  論文  参考訳（メタデータ） (2022-04-01T10:10:50Z)
• Cross-domain User Preference Learning for Cold-start Recommendation [32.83868293457142]
  クロスドメインのコールドスタートレコメンデーションは、リコメンデーションシステムにとってますます問題になっている。 ソースドメインからユーザの好みを学習し、ターゲットドメインに転送することが重要です。 そこで本稿では,コールドスタートの推薦をさまざまなセマンティックタグで対象とする,自己学習型クロスドメインユーザ優先学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-07T12:57:05Z)
• Pre-training Graph Neural Network for Cross Domain Recommendation [58.057687253631826]
  推薦システムは、ユーザ/イテムの埋め込みを学習する中心となるアイテムに対するユーザの潜在的関心を予測する。 グラフ表現学習から事前学習を行う現代美術に着想を得て,クロスドメインレコメンデーションのための事前学習および微調整図を提案する。 我々は,グラフエンコーダの自己教師型事前学習を採用するPCRec (Pre-training Graph Neural Network for Cross-Domain Recommendation) を考案した。
  論文  参考訳（メタデータ） (2021-11-16T07:34:42Z)
• Transfer-Meta Framework for Cross-domain Recommendation to Cold-Start Users [31.949188328354854]
  クロスドメインレコメンデーション(CDR)は、補助的な(ソース)ドメインからの豊富な情報を使用して、ターゲットドメインにおけるレコメンダシステムの性能を改善する。 トランスファーステージとメタステージを有するCDR(TMCDR)のためのトランスファーメタフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-11T05:15:53Z)
• Recommending Burgers based on Pizza Preferences: Addressing Data Sparsity with a Product of Experts [4.945620732698048]
  ユーザの嗜好に関する知識が限られているドメインにおいて,データスパーシティに対処し,レコメンデーションを作成する手法を記述する。 直感は、ソースドメインのユーザとアイテムのインタラクションが、ターゲットドメインのレコメンデーション品質を高めることができるということです。 AmazonとYelpの2つの広く使われているデータセットの結果は、総合的なユーザー好みの知識がより良いレコメンデーションをもたらすという主張をサポートする。
  論文  参考訳（メタデータ） (2021-04-26T18:56:04Z)
• CATN: Cross-Domain Recommendation for Cold-Start Users via Aspect Transfer Network [49.35977893592626]
  コールドスタートユーザのためのアスペクト転送ネットワークによるクロスドメインレコメンデーションフレームワーク(CATN)を提案する。 CATNは、レビュー文書から各ユーザと各アイテムの複数のアスペクトを抽出し、注意機構を用いてドメイン間のアスペクト相関を学習する。 実世界のデータセットでは、提案したCATNは、評価予測精度の点でSOTAモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2020-05-21T10:05:19Z)

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。