論文の概要: Cross-domain User Preference Learning for Cold-start Recommendation

• arxiv url: http://arxiv.org/abs/2112.03667v1
• Date: Tue, 7 Dec 2021 12:57:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-08 20:05:49.217855
• Title: Cross-domain User Preference Learning for Cold-start Recommendation
• Title（参考訳）: 冷間開始レコメンデーションのためのクロスドメインユーザ嗜好学習
• Authors: Huiling Zhou, Jie Liu, Zhikang Li, Jin Yu, Hongxia Yang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 32.83868293457142
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-domain cold-start recommendation is an increasingly emerging issue for recommender systems. Existing works mainly focus on solving either cross-domain user recommendation or cold-start content recommendation. However, when a new domain evolves at its early stage, it has potential users similar to the source domain but with much fewer interactions. It is critical to learn a user's preference from the source domain and transfer it into the target domain, especially on the newly arriving contents with limited user feedback. To bridge this gap, we propose a self-trained Cross-dOmain User Preference LEarning (COUPLE) framework, targeting cold-start recommendation with various semantic tags, such as attributes of items or genres of videos. More specifically, we consider three levels of preferences, including user history, user content and user group to provide reliable recommendation. With user history represented by a domain-aware sequential model, a frequency encoder is applied to the underlying tags for user content preference learning. Then, a hierarchical memory tree with orthogonal node representation is proposed to further generalize user group preference across domains. The whole framework updates in a contrastive way with a First-In-First-Out (FIFO) queue to obtain more distinctive representations. Extensive experiments on two datasets demonstrate the efficiency of COUPLE in both user and content cold-start situations. By deploying an online A/B test for a week, we show that the Click-Through-Rate (CTR) of COUPLE is superior to other baselines used on Taobao APP. Now the method is serving online for the cross-domain cold micro-video recommendation.
• Abstract（参考訳）: 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。 既存の作業は主に、クロスドメインユーザレコメンデーションまたはコールドスタートコンテンツレコメンデーションの解決に重点を置いている。 しかし、新しいドメインが初期段階で進化すると、ソースドメインに似た潜在的なユーザを持つが、インタラクションははるかに少ない。 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は、特にユーザからのフィードバックを限定して、新しく到着したコンテンツ上で重要である。 このギャップを埋めるため,我々は,アイテムの属性やビデオのジャンルなど,さまざまな意味タグを用いたコールドスタートレコメンデーションを目標とした,自己学習型クロスドメインユーザ選好学習(couple)フレームワークを提案する。 より具体的には、ユーザ履歴、ユーザーコンテンツ、ユーザーグループを含む3段階の嗜好を、信頼できるレコメンデーションを提供するために検討する。 ユーザ履歴をドメイン認識シーケンシャルモデルで表現することで、ユーザのコンテンツ嗜好学習の基盤となるタグに周波数エンコーダを適用する。 次に、直交ノード表現を持つ階層型メモリツリーを提案し、ドメイン間のユーザグループ嗜好をさらに一般化する。 フレームワーク全体がfifo(first-in-first-out)キューと対照的に更新され、より特徴的な表現が得られる。 2つのデータセットに対する大規模な実験は、ユーザーとコンテンツの両方のコールドスタート状況におけるCOUPLEの効率を実証している。 1週間のオンラインa/bテストのデプロイによって、カップルのクリックスルーレート(ctr)が、taobaoアプリで使用される他のベースラインよりも優れていることが分かる。 現在この手法は、クロスドメインのコールドマイクロビデオレコメンデーションのためにオンラインで提供されている。

関連論文リスト

• 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)
• Mixed Attention Network for Cross-domain Sequential Recommendation [63.983590953727386]
  ドメイン固有・クロスドメイン情報を抽出するために,ローカル・グローバル・アテンション・モジュールを用いた混在注意ネットワーク(MAN)を提案する。 2つの実世界のデータセットに対する実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2023-11-14T16:07:16Z)
• 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)
• Personalized Transfer of User Preferences for Cross-domain Recommendation [31.66579257624623]
  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。
  論文  参考訳（メタデータ） (2021-10-21T13:59:18Z)
• Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
  コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。 MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
  論文  参考訳（メタデータ） (2021-10-18T08:11:24Z)
• 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。