論文の概要: Deep Unified Representation for Heterogeneous Recommendation

• arxiv url: http://arxiv.org/abs/2201.05861v1
• Date: Sat, 15 Jan 2022 14:33:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-22 12:26:10.472707
• Title: Deep Unified Representation for Heterogeneous Recommendation
• Title（参考訳）: 不均一推薦のための深い統一表現
• Authors: Chengqiang Lu, Mingyang Yin, Shuheng Shen, Luo Ji, Qi Liu, Hongxia Yang
• Abstract要約: カーネルベースニューラルネットワーク,すなわち深層統一表現(DURation)を提案する。 統一表現により、既存の最先端モデルよりも顕著な改善が達成される。
• 参考スコア（独自算出の注目度）: 44.07863932673963
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommendation system has been a widely studied task both in academia and industry. Previous works mainly focus on homogeneous recommendation and little progress has been made for heterogeneous recommender systems. However, heterogeneous recommendations, e.g., recommending different types of items including products, videos, celebrity shopping notes, among many others, are dominant nowadays. State-of-the-art methods are incapable of leveraging attributes from different types of items and thus suffer from data sparsity problems. And it is indeed quite challenging to represent items with different feature spaces jointly. To tackle this problem, we propose a kernel-based neural network, namely deep unified representation (or DURation) for heterogeneous recommendation, to jointly model unified representations of heterogeneous items while preserving their original feature space topology structures. Theoretically, we prove the representation ability of the proposed model. Besides, we conduct extensive experiments on real-world datasets. Experimental results demonstrate that with the unified representation, our model achieves remarkable improvement (e.g., 4.1% ~ 34.9% lift by AUC score and 3.7% lift by online CTR) over existing state-of-the-art models.
• Abstract（参考訳）: レコメンデーションシステムは、学界と産業の両方で広く研究されているタスクである。 従来の研究は主に均質なレコメンデーションに焦点を当てており、異質なレコメンデーションシステムではほとんど進歩していない。 しかし、現在では商品、ビデオ、有名人の買い物ノートなど様々な種類の商品を推薦する異質な推薦が主流となっている。 state-of-the-artメソッドは、さまざまなタイプのアイテムの属性を活用できないため、データのスパーシティの問題に苦しむ。 そして、異なる特徴空間を持つアイテムを共同で表現することは、確かに非常に難しい。 この問題を解決するために、カーネルベースのニューラルネットワーク、すなわち、不均一な推薦のための深層統一表現(DURation)を提案し、元の特徴空間トポロジー構造を保ちながら、不均一な項目の統一表現を共同でモデル化する。 理論的には,提案モデルの表現能力を証明する。 さらに,実世界のデータセットを広範囲に実験する。 実験の結果, 統一表現では, 既存の最先端モデルよりも顕著な改善(AUCスコアによる4.1%～34.9%, オンラインCTRによる3.7%)が得られた。

関連論文リスト

• A Survey on All-in-One Image Restoration: Taxonomy, Evaluation and Future Trends [67.43992456058541]
  画像復元(IR)とは、ノイズ、ぼかし、気象効果などの劣化を除去しながら、画像の視覚的品質を改善する過程である。 従来のIR手法は、一般的に特定の種類の劣化をターゲットとしており、複雑な歪みを伴う現実のシナリオにおいて、その効果を制限している。 オールインワン画像復元(AiOIR)パラダイムが登場し、複数の劣化タイプに順応的に対処する統一されたフレームワークを提供する。
  論文  参考訳（メタデータ） (2024-10-19T11:11:09Z)
• Learning transformer-based heterogeneously salient graph representation for multimodal remote sensing image classification [42.15709954199397]
  本稿では,変圧器を用いたヘテロジニアサリエントグラフ表現法(THSGR)を提案する。 まず、多モード不均一グラフエンコーダを用いて、非ユークリッド構造の特徴を異種データから符号化する。 自己アテンションフリーなマルチ畳み込み変調器は、効果的かつ効率的な長期依存性モデリングのために設計されている。
  論文  参考訳（メタデータ） (2023-11-17T04:06:20Z)
• Enhancing Representations through Heterogeneous Self-Supervised Learning [61.40674648939691]
  本稿では,HSSL(Heterogeneous Self-Supervised Learning)を提案する。 HSSLは、構造的変化を伴わない表現学習方式で、ベースモデルに新しい特徴を付与する。 HSSLは、様々な自己教師型メソッドと互換性があり、様々な下流タスクにおいて優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-10-08T10:44:05Z)
• Hyperbolic Representation Learning: Revisiting and Advancing [43.1661098138936]
  本稿では,現在普及しているhlmを精査する位置追跡機構を導入し,学習された表現が準最適で不満足であることを明らかにする。 本稿では,ノードの双曲的距離から推定されるコストフリーな階層的情報を原点に組み込むことにより,シンプルで効果的な情報埋め込み手法であるハイボリックインフォメーション(HIE)を提案する。 提案手法は, 競合するベースラインに比べて最大21.4%向上した。
  論文  参考訳（メタデータ） (2023-06-15T13:25:39Z)
• Exploring and Exploiting Data Heterogeneity in Recommendation [26.997131051172992]
  レコメンデーションデータの不均一性は、レコメンデーションモデルの性能を制限し、サブポピュレーションのロバスト性を傷つけ、バイアスによってモデルを誤解させる可能性がある。 本研究は,推薦データにおける不均一性の2つの代表的なカテゴリの探索に焦点をあてる。 発見されていない不均一性は、複数のサブモデルで予測し、デビアをサポートするレコメンデーションシナリオにおいて2つの目的で利用されます。
  論文  参考訳（メタデータ） (2023-05-21T11:01:14Z)
• Deep Diversity-Enhanced Feature Representation of Hyperspectral Images [87.47202258194719]
  トポロジを改良して3次元畳み込みを補正し,上行階の高次化を図る。 また、要素間の独立性を最大化するために特徴マップに作用する新しい多様性対応正規化(DA-Reg)項を提案する。 提案したRe$3$-ConvSetとDA-Regの優位性を実証するために,様々なHS画像処理および解析タスクに適用する。
  論文  参考訳（メタデータ） (2023-01-15T16:19:18Z)
• Unified Multi-View Orthonormal Non-Negative Graph Based Clustering Framework [74.25493157757943]
  我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。 また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
  論文  参考訳（メタデータ） (2022-11-03T08:18:27Z)
• Deep Variational Models for Collaborative Filtering-based Recommender Systems [63.995130144110156]
  ディープラーニングは、リコメンダシステムの結果を改善するために、正確な協調フィルタリングモデルを提供する。 提案するモデルは, 深層建築の潜伏空間において, 変分概念を注入性に適用する。 提案手法は, 入射雑音効果を超える変動エンリッチメントのシナリオにおいて, 提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2021-07-27T08:59:39Z)
• Single-Layer Graph Convolutional Networks For Recommendation [17.3621098912528]
  Graph Convolutional Networks (GCNs) は、推奨タスクで最先端のパフォーマンスを達成した。 既存のGCNモデルでは、関連するすべてのノード間で再帰アグリゲーションを行う傾向があり、計算上の重荷が発生する。 DA類似性によってフィルタリングされた隣人からの情報を集約し,ノード表現を生成するための単一のGCN層を提案する。
  論文  参考訳（メタデータ） (2020-06-07T14:38:47Z)

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。