Fugu-MT 論文翻訳(概要): Collaborative Reflection-Augmented Autoencoder Network for Recommender Systems

論文の概要: Collaborative Reflection-Augmented Autoencoder Network for Recommender Systems

arxiv url: http://arxiv.org/abs/2201.03158v1
Date: Mon, 10 Jan 2022 04:36:15 GMT
ステータス: 処理完了
システム内更新日: 2022-01-11 15:40:33.271952
Title: Collaborative Reflection-Augmented Autoencoder Network for Recommender Systems
Title（参考訳）: リコメンダシステムのための協調反射強化オートエンコーダネットワーク
Authors: Lianghao Xia, Chao Huang, Yong Xu, Huance Xu, Xiang Li, Weiguo Zhang
Abstract要約: 協調反射強化オートエンコーダネットワーク(CRANet)を開発した。 CRANetは、観測された、観測されていないユーザーとイテムの相互作用から、転送可能な知識を探索することができる。 CRANetは2つの推奨タスクに対応する4つの多様なベンチマークデータセットに対して実験的に検証する。
参考スコア（独自算出の注目度）: 23.480069921831344
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: As the deep learning techniques have expanded to real-world recommendation tasks, many deep neural network based Collaborative Filtering (CF) models have been developed to project user-item interactions into latent feature space, based on various neural architectures, such as multi-layer perceptron, auto-encoder and graph neural networks. However, the majority of existing collaborative filtering systems are not well designed to handle missing data. Particularly, in order to inject the negative signals in the training phase, these solutions largely rely on negative sampling from unobserved user-item interactions and simply treating them as negative instances, which brings the recommendation performance degradation. To address the issues, we develop a Collaborative Reflection-Augmented Autoencoder Network (CRANet), that is capable of exploring transferable knowledge from observed and unobserved user-item interactions. The network architecture of CRANet is formed of an integrative structure with a reflective receptor network and an information fusion autoencoder module, which endows our recommendation framework with the ability of encoding implicit user's pairwise preference on both interacted and non-interacted items. Additionally, a parametric regularization-based tied-weight scheme is designed to perform robust joint training of the two-stage CRANet model. We finally experimentally validate CRANet on four diverse benchmark datasets corresponding to two recommendation tasks, to show that debiasing the negative signals of user-item interactions improves the performance as compared to various state-of-the-art recommendation techniques. Our source code is available at https://github.com/akaxlh/CRANet.
Abstract（参考訳）: ディープラーニング技術が現実のレコメンデーションタスクに拡張されるにつれて、多層パーセプトロン、オートエンコーダ、グラフニューラルネットワークなど、さまざまなニューラルネットワークアーキテクチャに基づいて、多くのディープニューラルネットワークベースのコラボレーティブ・フィルタリング(CF)モデルが開発され、潜在機能空間にユーザ-イテムインタラクションを投影している。しかし、既存の協調フィルタリングシステムのほとんどは、欠落したデータを扱うために十分に設計されていない。特に、トレーニングフェーズで負の信号を注入するために、これらのソリューションは、観測されていないユーザ-イテム相互作用からの負のサンプリングに大きく依存し、単に負のインスタンスとして扱うだけで、レコメンデーション性能が劣化する。これらの課題に対処するために,観測および観測されていないユーザ・イテム相互作用から伝達可能な知識を探索できる協調反射拡張オートエンコーダネットワーク(CRANet)を開発した。 CRANetのネットワークアーキテクチャは、リフレクティブ・レセプティブ・ネットワークとインフォメーション・フュージョン・オートエンコーダ・モジュールを備えた統合構造で構成されており、対話的および非相互作用的なアイテムに対して暗黙的ユーザのペアワイズ・レコメンデーション・フレームワークをエンコードする機能を備えている。さらに、パラメトリック正則化に基づく結合重みスキームは、2段クレーンモデルのロバストなジョイントトレーニングを実行するように設計されている。 CRANetを2つの推奨タスクに対応する4つの多様なベンチマークデータセット上で実験的に検証し、ユーザとイテム相互作用の負の信号の偏りが、様々な最先端の推奨手法と比較して性能を改善することを示す。ソースコードはhttps://github.com/akaxlh/cranetで入手できます。

関連論文リスト

Online Clustering of Dueling Bandits [59.09590979404303]
本稿では、優先フィードバックに基づく協調的な意思決定を可能にするために、最初の「デュエルバンディットアルゴリズムのクラスタリング」を導入する。本稿では,(1)ユーザ報酬関数をコンテキストベクトルの線形関数としてモデル化する線形デューリング帯域のクラスタリング(COLDB)と,(2)ニューラルネットワークを用いて複雑な非線形ユーザ報酬関数をモデル化するニューラルデューリング帯域のクラスタリング(CONDB)の2つの新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2025-02-04T07:55:41Z)
Hypergraph Diffusion for High-Order Recommender Systems [5.71357784811215]
本稿では,ウェーブレット強化ハイパーグラフ拡散フレームワークであるWaveHDNNを紹介する。 WaveHDNNは、さまざまなカテゴリにわたるユーザとイテムのインタラクションをキャプチャするために設計された、ヘテロフィア対応のコラボレーティブと、マルチスケールなグループワイド構造を統合している。クロスビューのコントラスト学習は、堅牢で一貫した表現を維持するために使用される。
論文参考訳（メタデータ） (2025-01-28T05:59:29Z)
Convolutional Transformer Neural Collaborative Filtering [0.24578723416255746]
Convolutional Transformer Neural Collaborative Filtering (CTNCF)は、レコメンデーションシステムの強化を目的とした新しいアプローチである。 CTNCFは、畳み込みニューラルネットワーク(CNN)とトランスフォーマー層をシームレスに統合する。提案するCTNCFフレームワークの有効性を検証するため,実世界の2つのデータセットについて広範な実験を行った。
論文参考訳（メタデータ） (2024-12-02T11:01:31Z)
Dual-stream contrastive predictive network with joint handcrafted feature view for SAR ship classification [9.251342335645765]
本稿では,新しいデュアルストリームコントラスト予測ネットワーク(DCPNet)を提案する。最初のタスクは正のサンプルペアを構築し、コアエンコーダにより一般的な表現を学習させることである。第2の課題は, 深部特徴と手話特徴との対応を適応的に把握し, モデル内での知識伝達を実現し, 特徴融合による冗長性を効果的に改善することである。
論文参考訳（メタデータ） (2023-11-26T05:47:01Z)
Self-Supervised Hypergraph Transformer for Recommender Systems [25.07482350586435]
自己監督型ハイパーグラフ変換器(SHT) 自己監督型ハイパーグラフ変換器(SHT) ユーザ-テム相互作用グラフ上のデータ拡張のために,クロスビュー生成型自己教師型学習コンポーネントを提案する。
論文参考訳（メタデータ） (2022-07-28T18:40:30Z)
Hypergraph Contrastive Collaborative Filtering [44.8586906335262]
新たな自己監督型推薦フレームワークHypergraph Contrastive Collaborative Filtering (HCCF)を提案する。 HCCFは、ハイパーグラフを拡張したクロスビューコントラスト学習アーキテクチャと、ローカルおよびグローバルなコラボレーティブな関係をキャプチャする。提案モデルでは,ハイパーグラフ構造と自己教師付き学習を効果的に統合し,レコメンダシステムの表現品質を向上する。
論文参考訳（メタデータ） (2022-04-26T10:06:04Z)
Broad Recommender System: An Efficient Nonlinear Collaborative Filtering Approach [56.12815715932561]
我々はBroad Collaborative Filtering (BroadCF)と呼ばれる新しい広帯域リコメンデータシステムを提案する。深層ニューラルネットワーク(DNN)の代わりに、ユーザとアイテム間の複雑な非線形関係を学習するためのマッピング機能として、Broad Learning System(BLS)が使用されている。 7つのベンチマークデータセットで実施された大規模な実験により、提案したBroadCFアルゴリズムの有効性が確認された。
論文参考訳（メタデータ） (2022-04-20T01:25:08Z)
Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
論文参考訳（メタデータ） (2021-03-22T20:36:34Z)
BCFNet: A Balanced Collaborative Filtering Network with Attention Mechanism [106.43103176833371]
協調フィルタリング(CF)ベースの推奨方法が広く研究されている。 BCFNet(Balanced Collaborative Filtering Network)という新しい推薦モデルを提案する。さらに注意機構は、暗黙のフィードバックの中で隠れた情報をよりよく捉え、ニューラルネットワークの学習能力を強化するように設計されている。
論文参考訳（メタデータ） (2021-03-10T14:59:23Z)
Suppress and Balance: A Simple Gated Network for Salient Object Detection [89.88222217065858]
両問題を同時に解くための単純なゲートネットワーク(GateNet)を提案する。多レベルゲートユニットの助けを借りて、エンコーダからの貴重なコンテキスト情報をデコーダに最適に送信することができる。さらに,提案したFold-ASPP操作(Fold-ASPP)に基づくアトラス空間ピラミッドプーリングを用いて,様々なスケールのサリアンオブジェクトを正確に位置決めする。
論文参考訳（メタデータ） (2020-07-16T02:00:53Z)
Model Fusion via Optimal Transport [64.13185244219353]
ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
論文参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。