論文の概要: Consistent Collaborative Filtering via Tensor Decomposition
- arxiv url: http://arxiv.org/abs/2201.11936v3
- Date: Mon, 10 Jul 2023 04:56:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-11 19:33:09.947649
- Title: Consistent Collaborative Filtering via Tensor Decomposition
- Title（参考訳）: テンソル分解による一貫した協調フィルタリング
- Authors: Shiwen Zhao, Charles Crissman, Guillermo R Sapiro
- Abstract要約: 協調フィルタリングは、ユーザのアクティビティを分析し、アイテムのレコメンデーションシステムを構築するためのデファクトスタンダードである。
Sliced Anti-symmetric Decomposition (SAD) は暗黙のフィードバックに基づく協調フィルタリングのための新しいモデルである。
我々は,100万以上のユーザ・イテムインタラクションを含むシミュレーションおよび実世界のデータセットにおいて,SADの効率を実証する。
- 参考スコア（独自算出の注目度）: 0.2578242050187029
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Collaborative filtering is the de facto standard for analyzing users'
activities and building recommendation systems for items. In this work we
develop Sliced Anti-symmetric Decomposition (SAD), a new model for
collaborative filtering based on implicit feedback. In contrast to traditional
techniques where a latent representation of users (user vectors) and items
(item vectors) are estimated, SAD introduces one additional latent vector to
each item, using a novel three-way tensor view of user-item interactions. This
new vector extends user-item preferences calculated by standard dot products to
general inner products, producing interactions between items when evaluating
their relative preferences. SAD reduces to state-of-the-art (SOTA)
collaborative filtering models when the vector collapses to 1, while in this
paper we allow its value to be estimated from data. Allowing the values of the
new item vector to be different from 1 has profound implications. It suggests
users may have nonlinear mental models when evaluating items, allowing the
existence of cycles in pairwise comparisons. We demonstrate the efficiency of
SAD in both simulated and real world datasets containing over 1M user-item
interactions. By comparing with seven SOTA collaborative filtering models with
implicit feedbacks, SAD produces the most consistent personalized preferences,
in the meanwhile maintaining top-level of accuracy in personalized
recommendations. We release the model and inference algorithms in a Python
library https://github.com/apple/ml-sad.
- Abstract（参考訳）: コラボレーティブフィルタリングは、ユーザのアクティビティを分析し、アイテムのレコメンデーションシステムを構築するためのデファクトスタンダードである。
本研究では,暗黙的フィードバックに基づく協調フィルタリングの新しいモデルであるsliced anti-symmetric decomposition (sad)を開発した。
ユーザ(ユーザベクター)とアイテム(テムベクター)の潜伏表現を推定する従来の手法とは対照的に、SADはユーザ-テムインタラクションの3方向テンソルビューを使用して、各項目に1つの潜伏ベクトルを導入する。
この新たなベクターは、標準ドット製品によって計算されたユーザ-項目の嗜好を一般的な内部製品に拡張し、相対的な嗜好を評価する際にアイテム間の相互作用を生成する。
sadはベクトルが1に崩壊したときの最先端(sota)協調フィルタリングモデルに還元するが、本論文ではその値をデータから推定する。
新しいアイテムベクトルの値が 1 と異なることを許すことは、重大な意味を持つ。
これは、アイテムを評価する際、ユーザは非線形なメンタルモデルを持つ可能性を示し、ペアで比較するサイクルの存在を可能にする。
我々は,100万以上のユーザ・イテムインタラクションを含むシミュレーションおよび実世界のデータセットにおいて,SADの効率を実証する。
7つのsotaコラボレーティブフィルタリングモデルと暗黙的なフィードバックを比較して、sadは最も一貫したパーソナライズされた好みを生成し、一方でパーソナライズドレコメンデーションにおける最高レベルの精度を維持する。
モデルと推論アルゴリズムをPythonライブラリ https://github.com/apple/ml-sad でリリースしています。
関連論文リスト
- Topology-aware Debiased Self-supervised Graph Learning for
Recommendation [6.893289671937124]
本稿では,TDGL(Topology-aware De Self-supervised Graph Learning)を提案する。
TDSGLはユーザ間の意味的類似性(items)に応じてコントラッシブなペアを構成する
その結果,提案モデルが3つの公開データセット上で,最先端モデルよりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2023-10-24T14:16:19Z) - Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。
AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。
誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
論文 参考訳（メタデータ） (2022-09-22T04:32:51Z) - Modeling Dynamic User Preference via Dictionary Learning for Sequential
Recommendation [133.8758914874593]
ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。
浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。
本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
論文 参考訳（メタデータ） (2022-04-02T03:23:46Z) - Sequential Recommendation via Stochastic Self-Attention [68.52192964559829]
Transformerベースのアプローチでは、アイテムをベクトルとして埋め込んで、ドット積の自己アテンションを使用してアイテム間の関係を測定する。
本稿では,これらの問題を克服するための新しいtextbfStochastic textbfSelf-textbfAttention (STOSA) を提案する。
我々は、アイテムと項目の位置関係を列で特徴づける新しいワッサースタイン自己保持モジュールを考案した。
論文 参考訳（メタデータ） (2022-01-16T12:38:45Z) - Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback
based Recommendation [59.183016033308014]
本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。
提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
論文 参考訳（メタデータ） (2021-05-16T08:06:22Z) - Bootstrapping User and Item Representations for One-Class Collaborative
Filtering [24.30834981766022]
ワンクラスの協調フィルタリング(OCCF)は、ポジティブに関連があるがまだ相互作用していないユーザーとアイテムのペアを特定することです。
本論文では,否定的なサンプリングを必要としない新しいOCCFフレームワークであるBUIRを提案する。
論文 参考訳（メタデータ） (2021-05-13T14:24:13Z) - Sparse-Interest Network for Sequential Recommendation [78.83064567614656]
本稿では,シーケンシャルレコメンデーションのためのtextbfSparse textbfInterest textbfNEtwork(SINE)を提案する。
我々のスパース関心モジュールは、大きなコンセプトプールから各ユーザに対してスパースの概念セットを適応的に推測することができる。
SINEは最先端の手法よりも大幅に改善できる。
論文 参考訳（メタデータ） (2021-02-18T11:03:48Z) - Dual-embedding based Neural Collaborative Filtering for Recommender
Systems [0.7949579654743338]
本稿では,DNCF をベースとしたニューラル・コラボレーティブ・フィルタリングのために,DNCF という汎用的な協調フィルタリングフレームワークを提案する。
ユーザ(アイテム)に対するプリミティブな埋め込みの学習に加えて,インタラクションされたアイテム(ユーザ)の観点から追加的な埋め込みを導入し,ユーザ(item)表現を拡大する。
論文 参考訳（メタデータ） (2021-02-04T11:32:11Z) - Disentangled Graph Collaborative Filtering [100.26835145396782]
Disentangled Graph Collaborative Filtering (DGCF)は、インタラクションデータからユーザとアイテムの情報表現を学ぶための新しいモデルである。
ユーザ・イテムのインタラクション毎に意図を超越した分布をモデル化することにより、インテント・アウェアなインタラクショングラフと表現を反復的に洗練する。
DGCFはNGCF、DisenGCN、MacridVAEといった最先端モデルよりも大幅に改善されている。
論文 参考訳（メタデータ） (2020-07-03T15:37:25Z)
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。