論文の概要: Learning to Recommend Using Non-Uniform Data

• arxiv url: http://arxiv.org/abs/2110.11248v1
• Date: Thu, 21 Oct 2021 16:17:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-22 18:17:43.004016
• Title: Learning to Recommend Using Non-Uniform Data
• Title（参考訳）: 非一様データを用いた推薦学習
• Authors: Wanning Chen and Mohsen Bayati
• Abstract要約: 過去の購入やレビューに基づく製品のユーザの好みを学習することは、現代のレコメンデーションエンジンの基礎にある。 一部のユーザーは商品を購入したりレビューしたりする傾向があり、一部の製品はユーザーによって購入またはレビューされる傾向にある。 この一様でないパターンは多くの既存のレコメンデーションアルゴリズムのパワーを低下させる。
• 参考スコア（独自算出の注目度）: 7.005458308454873
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning user preferences for products based on their past purchases or reviews is at the cornerstone of modern recommendation engines. One complication in this learning task is that some users are more likely to purchase products or review them, and some products are more likely to be purchased or reviewed by the users. This non-uniform pattern degrades the power of many existing recommendation algorithms, as they assume that the observed data is sampled uniformly at random among user-product pairs. In addition, existing literature on modeling non-uniformity either assume user interests are independent of the products, or lack theoretical understanding. In this paper, we first model the user-product preferences as a partially observed matrix with non-uniform observation pattern. Next, building on the literature about low-rank matrix estimation, we introduce a new weighted trace-norm penalized regression to predict unobserved values of the matrix. We then prove an upper bound for the prediction error of our proposed approach. Our upper bound is a function of a number of parameters that are based on a certain weight matrix that depends on the joint distribution of users and products. Utilizing this observation, we introduce a new optimization problem to select a weight matrix that minimizes the upper bound on the prediction error. The final product is a new estimator, NU-Recommend, that outperforms existing methods in both synthetic and real datasets.
• Abstract（参考訳）: 過去の購入やレビューに基づいて製品のユーザ好みを学ぶことは、モダンなレコメンデーションエンジンの基盤である。 この学習タスクの複雑さのひとつは、一部のユーザが製品を購入したりレビューしたりしやすく、また一部の製品がユーザによって購入またはレビューされる傾向にあることだ。 この一様でないパターンは、観測されたデータがユーザとプロダクトのペア間でランダムにサンプリングされることを前提として、既存の推奨アルゴリズムのパワーを低下させる。 加えて、非一様性のモデリングに関する既存の文献は、ユーザーの興味が製品から独立しているか、理論的理解が欠けているかを仮定している。 本稿では,まず,非一様観察パターンを持つ部分観察行列としてユーザ製品選択をモデル化する。 次に,低ランク行列推定に関する文献に基づいて,新しい重み付きトレースノルムペナライズ回帰を導入し,行列の観測されていない値を予測する。 次に,提案手法の予測誤差の上限を証明した。 我々の上界は、ユーザと製品の共同分布に依存するある種の重み行列に基づく、多数のパラメータの関数である。 この観測を利用して、予測誤差の上限を最小化する重み行列を選択するための新しい最適化問題を導入する。 最後の製品は、新しい推定器nu-recommendで、合成データと実際のデータセットの両方で既存のメソッドよりも優れています。

関連論文リスト

• Attribute-to-Delete: Machine Unlearning via Datamodel Matching [65.13151619119782]
  機械学習 -- 事前訓練された機械学習モデルで、小さな"ターゲットセット"トレーニングデータを効率的に削除する -- は、最近関心を集めている。 最近の研究では、機械学習技術はこのような困難な環境では耐えられないことが示されている。
  論文  参考訳（メタデータ） (2024-10-30T17:20:10Z)
• Error Reduction from Stacked Regressions [12.657895453939298]
  積み重ね回帰は、予測精度を高めるために異なる回帰推定器の線形結合を形成するアンサンブル手法である。 本稿では,非負性制約を受ける経験的リスクの正規化バージョンを最小化することにより,これらの重みを類似的に学習する。 適応的縮小効果により、結果として生じる累積推定量は、最も優れた単一推定値よりも人口リスクが厳しく小さい。
  論文  参考訳（メタデータ） (2023-09-18T15:42:12Z)
• Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
  本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。 AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。 誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:32:51Z)
• MRCLens: an MRC Dataset Bias Detection Toolkit [82.44296974850639]
  MRCLensは,ユーザがフルモデルをトレーニングする前に,バイアスが存在するかどうかを検出するツールキットである。 ツールキットの導入の便宜のために,MDCにおける共通バイアスの分類も提供する。
  論文  参考訳（メタデータ） (2022-07-18T21:05:39Z)
• Sequential Recommendation via Stochastic Self-Attention [68.52192964559829]
  Transformerベースのアプローチでは、アイテムをベクトルとして埋め込んで、ドット積の自己アテンションを使用してアイテム間の関係を測定する。 本稿では,これらの問題を克服するための新しいtextbfStochastic textbfSelf-textbfAttention (STOSA) を提案する。 我々は、アイテムと項目の位置関係を列で特徴づける新しいワッサースタイン自己保持モジュールを考案した。
  論文  参考訳（メタデータ） (2022-01-16T12:38:45Z)
• Top-N Recommendation with Counterfactual User Preference Simulation [26.597102553608348]
  ユーザーランキングに基づく好みの学習を目的としたTop-Nレコメンデーションは、長い間、広範囲のアプリケーションにおいて基本的な問題だった。 本稿では,データ不足問題に対処するため,因果推論フレームワーク内での推薦タスクの再構築を提案する。
  論文  参考訳（メタデータ） (2021-09-02T14:28:46Z)
• PURS: Personalized Unexpected Recommender System for Improving User Satisfaction [76.98616102965023]
  本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。 3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-06-05T01:33:21Z)
• Towards Open-World Recommendation: An Inductive Model-based Collaborative Filtering Approach [115.76667128325361]
  推奨モデルは、基礎となるユーザの関心を効果的に見積もり、将来の行動を予測することができる。 2つの表現モデルを含む帰納的協調フィルタリングフレームワークを提案する。 本モデルでは,限られたトレーニングレーティングと新規の未確認ユーザを対象に,数ショットのユーザに対して有望なレコメンデーションを行う。
  論文  参考訳（メタデータ） (2020-07-09T14:31:25Z)
• Adversarial learning for product recommendation [0.0]
  本研究は, 共同分布(ビュー, 購入)行動からサンプルを生成することを学習する条件付き, 結合型生成対向ネットワーク(RecommenderGAN)を提案する。 しかし,本モデルが提案する勧告は,消費者やデジタル小売業者に有効である可能性が示唆された。
  論文  参考訳（メタデータ） (2020-07-07T23:35:36Z)
• Discrete-Valued Latent Preference Matrix Estimation with Graph Side Information [12.836994708337144]
  最適なサンプルの複雑さにマッチするアルゴリズムを開発する。 我々のアルゴリズムはエラーをモデル化し、予測性能の点で既存のアルゴリズムより優れている。
  論文  参考訳（メタデータ） (2020-03-16T06:29:24Z)

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。