論文の概要: Review-Based Domain Disentanglement without Duplicate Users or Contexts for Cross-Domain Recommendation

• arxiv url: http://arxiv.org/abs/2110.12648v3
• Date: Wed, 12 Apr 2023 08:56:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-13 19:31:32.719194
• Title: Review-Based Domain Disentanglement without Duplicate Users or Contexts for Cross-Domain Recommendation
• Title（参考訳）: 重複するユーザやコンテキストを伴わないレビューベースのドメイン・ディスタングル
• Authors: Yoonhyuk Choi, Jiho Choi, Taewook Ko, Hyungho Byun, Chong-Kwon Kim
• Abstract要約: クロスドメインレコメンデーションは、データスパーシリティとコールドスタート問題を解決する上で有望な結果を示している。 我々のモデル(SER)は、3つのテキスト解析モジュールを使用し、1つのドメイン識別器で案内され、非絡み合い表現学習を行う。
• 参考スコア（独自算出の注目度）: 1.2074552857379273
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A cross-domain recommendation has shown promising results in solving data-sparsity and cold-start problems. Despite such progress, existing methods focus on domain-shareable information (overlapped users or same contexts) for a knowledge transfer, and they fail to generalize well without such requirements. To deal with these problems, we suggest utilizing review texts that are general to most e-commerce systems. Our model (named SER) uses three text analysis modules, guided by a single domain discriminator for disentangled representation learning. Here, we suggest a novel optimization strategy that can enhance the quality of domain disentanglement, and also debilitates detrimental information of a source domain. Also, we extend the encoding network from a single to multiple domains, which has proven to be powerful for review-based recommender systems. Extensive experiments and ablation studies demonstrate that our method is efficient, robust, and scalable compared to the state-of-the-art single and cross-domain recommendation methods.
• Abstract（参考訳）: ドメイン横断のレコメンデーションは、データスパーシリティとコールドスタート問題を解決する上で有望な結果を示している。 このような進展にもかかわらず、既存の手法は知識伝達のためのドメイン共有可能な情報(オーバーラップされたユーザまたは同じコンテキスト)に焦点を当てており、そのような要求なしにはうまく一般化できない。 これらの問題に対処するために、ほとんどの電子商取引システムに一般的なレビューテキストを活用することを提案する。 我々のモデル(SER)は、3つのテキスト解析モジュールを使用し、1つのドメイン識別器で案内され、非絡み合い表現学習を行う。 ここでは,ドメインの絡み合いの質を高めるとともに,ソースドメインの有害情報を安定化する新たな最適化手法を提案する。 また、エンコーディングネットワークを単一のドメインから複数のドメインに拡張し、レビューベースのレコメンダシステムで強力であることが証明された。 集約的な実験とアブレーション研究により、我々の手法は最先端の単ドメインおよびクロスドメインレコメンデーション手法と比較して効率的で堅牢でスケーラブルであることが示された。

関連論文リスト

• Review-Based Hyperbolic Cross-Domain Recommendation [3.4498722449655066]
  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)
• Cross-domain Recommender Systems via Multimodal Domain Adaptation [2.306402684958048]
  コラボレーティブ・フィルタリング(CF)は、レコメンダ・システムを構築するための最も顕著な実装戦略の1つです。 クロスドメインCFは、複数のドメインにまたがる共通のエンティティ(ユーザまたはアイテム)を見つけることで、データ疎結合の問題を軽減する。 本稿では,ドメイン間のエンティティの埋め込みを整合させるドメイン適応手法を提案する。
  論文  参考訳（メタデータ） (2023-06-24T07:27:43Z)
• 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)
• 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。