論文の概要: Collaborative Filtering with Attribution Alignment for Review-based Non-overlapped Cross Domain Recommendation

• arxiv url: http://arxiv.org/abs/2202.04920v1
• Date: Thu, 10 Feb 2022 09:22:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-12 02:45:01.984682
• Title: Collaborative Filtering with Attribution Alignment for Review-based Non-overlapped Cross Domain Recommendation
• Title（参考訳）: レビューベース非オーバーラップクロスドメイン推薦のための属性アライメントによる協調フィルタリング
• Authors: Weiming Liu, Xiaolin Zheng, Mengling Hu, Chaochao Chen
• Abstract要約: CDR(Cross-Domain Recommendation)は、様々なドメイン知識を活用して、レコメンデータシステムにおける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ために広く研究されている。 本稿では,Review-based Non-overlapped Recommendation (RNCDR)問題に焦点をあてる。 この問題は2つの主要な側面、すなわち、対象ドメインに肯定的なユーザイテム格付けしか存在せず、異なるドメインにまたがって重複するユーザが存在しないため、一般的に存在し難解である。 ほとんどの従来のCDRアプローチは、レビューと他のレビューを効果的に組み合わせることができないため、RCCDRの問題をうまく解決できない。
• 参考スコア（独自算出の注目度）: 16.213603171466602
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-Domain Recommendation (CDR) has been popularly studied to utilize different domain knowledge to solve the data sparsity and cold-start problem in recommender systems. In this paper, we focus on the Review-based Non-overlapped Recommendation (RNCDR) problem. The problem is commonly-existed and challenging due to two main aspects, i.e, there are only positive user-item ratings on the target domain and there is no overlapped user across different domains. Most previous CDR approaches cannot solve the RNCDR problem well, since (1) they cannot effectively combine review with other information (e.g., ID or ratings) to obtain expressive user or item embedding, (2) they cannot reduce the domain discrepancy on users and items. To fill this gap, we propose Collaborative Filtering with Attribution Alignment model (CFAA), a cross-domain recommendation framework for the RNCDR problem. CFAA includes two main modules, i.e., rating prediction module and embedding attribution alignment module. The former aims to jointly mine review, one-hot ID, and multi-hot historical ratings to generate expressive user and item embeddings. The later includes vertical attribution alignment and horizontal attribution alignment, tending to reduce the discrepancy based on multiple perspectives. Our empirical study on Douban and Amazon datasets demonstrates that CFAA significantly outperforms the state-of-the-art models under the RNCDR setting.
• Abstract（参考訳）: CDR(Cross-Domain Recommendation)は、様々なドメイン知識を活用して、レコメンデータシステムにおける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ために広く研究されている。 本稿では,Review-based Non-overlapped Recommendation (RNCDR)問題に焦点を当てる。 この問題は2つの主要な側面、すなわち、対象ドメインに肯定的なユーザイテム格付けしか存在せず、異なるドメインにまたがって重複するユーザが存在しないため、一般的に存在する。 従来のCDRアプローチでは,(1)他の情報(IDやレーティングなど)とレビューを効果的に組み合わせて表現力のあるユーザやアイテムの埋め込みを得ることができず,(2)ユーザやアイテムに対するドメインの不一致を低減できない。 このギャップを埋めるために,rncdr問題に対するクロスドメインレコメンデーションフレームワークであるアトリビューションアライメントモデル(cfaa)を用いた協調フィルタリングを提案する。 CFAAは2つの主要なモジュール、すなわちレーティング予測モジュールと埋め込み属性アライメントモジュールを含んでいる。 前者は、レビュー、ワンホットID、マルチホット履歴評価を共同で検討し、表現力のあるユーザとアイテムの埋め込みを生成することを目的としている。 後者は垂直帰属アライメントと水平帰属アライメントを含み、複数の視点に基づく不一致を減らす傾向がある。 DoubanとAmazonのデータセットに関する実証研究は、CFAAがRCCDR設定下で最先端のモデルを大幅に上回っていることを示している。

関連論文リスト

• Federated User Preference Modeling for Privacy-Preserving Cross-Domain Recommendation [18.0700584280752]
  クロスドメインレコメンデーション(CDR)は、ドメイン間で知識を伝達することで、データスパーシティの問題に対処することを目的としている。 この問題を解決するために、最近のプライバシー保護型CDRモデルが提案されている。 本稿では,新しいFPM(Federated User Preference Modeling)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-26T23:29:03Z)
• Heterogeneous Graph-based Framework with Disentangled Representations Learning for Multi-target Cross Domain Recommendation [7.247438542823219]
  CDR(Cross-Domain Recommendation)は、レコメンデーションシステムにおけるデータ空間の問題に対する重要な解決策である。 本稿では,HGDR (Heterogeneous Graph-based Framework with Disentangled Representations Learning)を提案する。 実世界のデータセットとオンラインA/Bテストの実験により、提案モデルがドメイン間の情報を効果的に伝達できることが証明された。
  論文  参考訳（メタデータ） (2024-07-01T02:27:54Z)
• Review-Based Cross-Domain Recommendation via Hyperbolic Embedding and Hierarchy-Aware Domain Disentanglement [0.65268245109828]
  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)
• Diffusion Cross-domain Recommendation [0.0]
  コールドスタートユーザに高品質な結果を提供するために拡散クロスドメイン勧告(DiffCDR)を提案する。 まず、DPMの理論を採用し、ターゲットドメインにユーザの埋め込みを生成する拡散モジュール(DIM)を設計する。 さらに、ターゲットドメインのラベルデータを検討し、タスク指向の損失関数を作成し、DiffCDRが特定のタスクに適応できるようにする。
  論文  参考訳（メタデータ） (2024-02-03T15:14:51Z)
• Cross-Domain Few-Shot Segmentation via Iterative Support-Query Correspondence Mining [81.09446228688559]
  Cross-Domain Few-Shots (CD-FSS) は、限定された例のみを用いて、異なるドメインから新しいカテゴリを分割するという課題を提起する。 本稿では,CD-FSSの課題に対処する新しいクロスドメイン微調整手法を提案する。
  論文  参考訳（メタデータ） (2024-01-16T14:45:41Z)
• 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)
• 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)
• Differential Private Knowledge Transfer for Privacy-Preserving Cross-Domain Recommendation [31.412833205047495]
  CDR(Cross Domain Recommendation)は、推奨システムによく見られるコールドスタートとデータ空間の問題を軽減するために広く研究されている。 プライバシ保護のための新しい2段階CDRフレームワーク(PriCDR)を提案する。 PriCDRは、ソースドメインのデータプライバシを保護するだけでなく、ソースドメインのデータスパーシ性を軽減することもできる。
  論文  参考訳（メタデータ） (2022-02-10T08:31:37Z)
• 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)
• Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
  教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。 対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
  論文  参考訳（メタデータ） (2021-06-10T06:32:30Z)
• 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。