論文の概要: DaRE: A Cross-Domain Recommender System with Domain-aware Feature Extraction and Review Encoder

• arxiv url: http://arxiv.org/abs/2110.12648v1
• Date: Mon, 25 Oct 2021 05:17:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-26 17:19:48.078052
• Title: DaRE: A Cross-Domain Recommender System with Domain-aware Feature Extraction and Review Encoder
• Title（参考訳）: DaRE:ドメイン認識機能抽出とレビューエンコーダを備えたドメイン間リコメンダシステム
• Authors: Yoonhyuk Choi, Jiho Choi, Taewook Ko, Chongkwon Kim
• Abstract要約: 本稿では,テキストベース表現学習,ドメイン認識特徴抽出,レビューエンコーダという3つの主要コンポーネントからなる総合的なソリューションであるDaREを提案する。 DaREは、ドメイン不変特徴とドメイン固有特徴とを選択的対向訓練によって分離することで雑音を安定化させる。 4つの実世界のデータセットの実験は、最先端の単一ドメインとクロスドメインの方法論よりもDaREの方が優れていることを示している。
• 参考スコア（独自算出の注目度）: 1.8352113484137629
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advent in recommender systems, especially text-aided methods and CDR (Cross-Domain Recommendation) leads to promising results in solving data-sparsity and cold-start problems. Despite such progress, prior algorithms either require user overlapping or ignore domain-aware feature extraction. In addition, text-aided methods exceedingly emphasize aggregated documents and fail to capture the specifics embedded in individual reviews. To overcome such limitations, we propose a novel method, named DaRE (Domainaware Feature Extraction and Review Encoder), a comprehensive solution that consists of three key components; text-based representation learning, domain-aware feature extraction, and a review encoder. DaRE debilitate noises by separating domain-invariant features from domain-specific features through selective adversarial training. DaRE extracts features from aggregated documents, and the review encoder fine-tunes the representations by aligning them with the features extracted from individual reviews. Experiments on four real-world datasets show the superiority of DaRE over state-ofthe-art single-domain and cross-domain methodologies, achieving 9.2 % and 3.6 % improvements, respectively. We upload our implementations (https://anonymous.4open.science/r/DaRE-9CC9/) for a reproducibility
• Abstract（参考訳）: 近年のレコメンデータシステム,特にテキスト支援手法やCDR(Cross-Domain Recommendation)の出現は,データスパーシビリティやコールドスタート問題を解く上で有望な結果をもたらす。 このような進歩にもかかわらず、事前アルゴリズムでは、ユーザの重複やドメイン認識機能抽出を無視する必要がある。 さらに、テキスト支援手法は、集約された文書を過度に強調し、個々のレビューに埋め込まれた詳細をキャプチャできない。 このような制約を克服するために,dare(domainaware feature extraction and review encoder)という,テキストベースの表現学習,ドメイン認識機能抽出,レビューエンコーダという,3つの重要なコンポーネントからなる包括的ソリューションを提案する。 ドメイン不変特徴とドメイン固有特徴を選択的逆訓練によって分離することで、dareはノイズを緩和する。 DaREは集約された文書から特徴を抽出し、レビューエンコーダは個々のレビューから抽出した特徴と整列することで表現を微調整する。 4つの実世界のデータセットの実験では、最先端の単一ドメインとクロスドメインの方法論よりもDaREの方が優れており、それぞれ9.2%と3.6%の改善が達成されている。 再現性のために実装(https://anonymous.4open.science/r/dare-9cc9/)をアップロードします。

関連論文リスト

• Review-Based Cross-Domain Recommendation via Hyperbolic Embedding and Hierarchy-Aware Domain Disentanglement [0.65268245109828]
  Cross-Domain Recommendation (CDR)は、ドメイン共有可能な知識をキャプチャし、よりリッチなドメインからスパサーに転送する。 本稿では,ユーザ・イテム関係をモデル化するためのレビューテキストに基づく双曲型CDR手法を提案する。
  論文  参考訳（メタデータ） (2024-03-29T17:15:21Z)
• Domain Generalization via Causal Adjustment for Cross-Domain Sentiment Analysis [59.73582306457387]
  クロスドメイン感情分析における領域一般化の問題に焦点をあてる。 本稿では,ドメイン固有表現とドメイン不変表現をアンタングル化するバックドア調整に基づく因果モデルを提案する。 一連の実験は、我々のモデルの優れたパフォーマンスと堅牢性を示しています。
  論文  参考訳（メタデータ） (2024-02-22T13:26:56Z)
• Domain-Aware Cross-Attention for Cross-domain Recommendation [4.602115311495822]
  クロスドメインレコメンデーション(CDR)は、レコメンダシステムの性能を改善する重要な方法である。 本稿では、異なる粒度からソースドメインの転送可能な特徴を抽出する2段階のクロスアテンションを提案する。 公共データセットと産業データセットの両方で実験を行い,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-01-22T06:12:48Z)
• Exploiting Graph Structured Cross-Domain Representation for Multi-Domain Recommendation [71.45854187886088]
  マルチドメインレコメンデータシステムは、クロスドメイン表現学習とポジティブな知識伝達の恩恵を受ける。 我々はMAGRecと呼ばれる手法のコンテキスト情報として時間的ドメイン内相互作用とドメイン間相互作用を用いる。 我々は、MAGRecが最先端の手法を一貫して上回る様々なシナリオで、公開データセットで実験を行う。
  論文  参考訳（メタデータ） (2023-02-12T19:51:32Z)
• Cross-domain recommendation via user interest alignment [20.387327479445773]
  クロスドメインレコメンデーションは、複数のドメインからの知識を活用して、従来のレコメンデーションシステムにおけるデータの分散性とコールドスタートの問題を軽減することを目的としている。 このアプローチの一般的な実践は、各ドメインに個別にユーザ埋め込みをトレーニングし、それらを平易な方法で集約することです。 本稿では,2つのドメインの推薦性能を改善するために,新しいドメイン間推薦フレームワークであるCOASTを提案する。
  論文  参考訳（メタデータ） (2023-01-26T23:54:41Z)
• 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)
• A cross-domain recommender system using deep coupled autoencoders [77.86290991564829]
  クロスドメインレコメンデーションのために2つの新しい結合型オートエンコーダに基づくディープラーニング手法を提案する。 最初の方法は、ソースドメインとターゲットドメイン内のアイテムの固有表現を明らかにするために、一対のオートエンコーダを同時に学習することを目的としている。 第2の方法は,2つのオートエンコーダを用いてユーザとアイテム待ち行列を深く非線形に生成する,新たな共同正規化最適化問題に基づいて導出する。
  論文  参考訳（メタデータ） (2021-12-08T15:14:26Z)
• 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)
• 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)
• A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
  大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。 多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。 限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
  論文  参考訳（メタデータ） (2020-09-01T00:06:50Z)

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。