論文の概要: Edge Data Based Trailer Inception Probabilistic Matrix Factorization for
Context-Aware Movie Recommendation
- arxiv url: http://arxiv.org/abs/2202.10236v1
- Date: Wed, 16 Feb 2022 08:12:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-27 17:42:41.632564
- Title: Edge Data Based Trailer Inception Probabilistic Matrix Factorization for
Context-Aware Movie Recommendation
- Title（参考訳）: コンテキスト対応映画レコメンデーションのためのエッジデータに基づくトレーサ開始確率行列分解
- Authors: Honglong Chen, Zhe Li, Zhu Wang, Zhichen Ni, Junjian Li, Ge Xu, Abdul
Aziz, Feng Xia
- Abstract要約: 本稿では, NIC, リカレント畳み込みニューラルネットワーク, および確率行列因数分解モデルを評価モデルとして組み合わせた, Ti-PMF と呼ばれるトレーラー確率行列因数分解モデルを提案する。
提案したTi-PMFモデルを実世界の3つのデータセットに対して広範な実験により実装し,その有効性を検証した。
- 参考スコア（独自算出の注目度）: 11.30945257735061
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid growth of edge data generated by mobile devices and applications
deployed at the edge of the network has exacerbated the problem of information
overload. As an effective way to alleviate information overload, recommender
system can improve the quality of various services by adding application data
generated by users on edge devices, such as visual and textual information, on
the basis of sparse rating data. The visual information in the movie trailer is
a significant part of the movie recommender system. However, due to the
complexity of visual information extraction, data sparsity cannot be remarkably
alleviated by merely using the rough visual features to improve the rating
prediction accuracy. Fortunately, the convolutional neural network can be used
to extract the visual features precisely. Therefore, the end-to-end neural
image caption (NIC) model can be utilized to obtain the textual information
describing the visual features of movie trailers. This paper proposes a trailer
inception probabilistic matrix factorization model called Ti-PMF, which
combines NIC, recurrent convolutional neural network, and probabilistic matrix
factorization models as the rating prediction model. We implement the proposed
Ti-PMF model with extensive experiments on three real-world datasets to
validate its effectiveness. The experimental results illustrate that the
proposed Ti-PMF outperforms the existing ones.
- Abstract（参考訳）: ネットワークのエッジにデプロイされるモバイルデバイスやアプリケーションが生成するエッジデータの急速な増加は、情報過負荷の問題を悪化させている。
情報過負荷を軽減する効果的な方法として,視覚情報やテキスト情報などのエッジデバイス上でユーザが生成するアプリケーションデータを疎評価データに基づいて付加することにより,各種サービスの質を向上させることができる。
映画の予告編の視覚情報は、映画のレコメンデーションシステムの重要な部分である。
しかし、視覚情報抽出の複雑さのため、粗い視覚特徴を用いて評価精度を向上させるだけでは、データの空間性が著しく軽減できない。
幸いにも畳み込みニューラルネットワークは、視覚的な特徴を正確に抽出するために使用できる。
そのため、フィルムトレーラーの視覚的特徴を記述したテキスト情報を得るために、エンドツーエンドのニューラルイメージキャプション(NIC)モデルを利用することができる。
本稿では,tic,recurrent convolutional neural network,probabilistic matrix factorizationモデルを評価予測モデルとして組み合わせた,ti-pmfと呼ばれるトレーラインセプション確率行列因子化モデルを提案する。
提案したTi-PMFモデルを実世界の3つのデータセットに対して広範な実験を行い,その有効性を検証した。
実験の結果,提案したTi-PMFは既存のものよりも優れていた。
関連論文リスト
- GRVFL-MV: Graph Random Vector Functional Link Based on Multi-View Learning [0.2999888908665658]
マルチビュー学習(GRVFL-MV)モデルに基づく新しいグラフランダムベクトル関数リンクを提案する。
提案モデルは,マルチビュー学習(MVL)の概念を取り入れて,複数の視点で学習する。
また、グラフ埋め込み(GE)フレームワークを使用して、すべてのビューの幾何学的性質も取り入れている。
論文 参考訳（メタデータ） (2024-09-07T07:18:08Z) - Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。
具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
論文 参考訳（メタデータ） (2023-12-03T13:50:24Z) - Subject-specific Deep Neural Networks for Count Data with
High-cardinality Categorical Features [1.2289361708127877]
本稿では,ポアソンディープニューラルネットワークにガンマランダム効果を導入するための新しい階層的確率学習フレームワークを提案する。
提案手法は,固定パラメータの最大極大推定器とランダム効果の最適非バイアス予測器を同時に生成する。
最先端のネットワークアーキテクチャは、提案されたh-likelihoodフレームワークに容易に実装できる。
論文 参考訳（メタデータ） (2023-10-18T01:54:48Z) - STIP: A SpatioTemporal Information-Preserving and Perception-Augmented
Model for High-Resolution Video Prediction [78.129039340528]
本稿では、上記の2つの問題を解決するために、時空間情報保存・知覚拡張モデル(STIP)を提案する。
提案モデルは,特徴抽出と状態遷移中の映像の時間的情報を保存することを目的としている。
実験結果から,提案したSTIPは,様々な最先端手法と比較して,より良好な映像品質で映像を予測できることが示唆された。
論文 参考訳（メタデータ） (2022-06-09T09:49:04Z) - CARLA-GeAR: a Dataset Generator for a Systematic Evaluation of
Adversarial Robustness of Vision Models [61.68061613161187]
本稿では,合成データセットの自動生成ツールであるCARLA-GeARについて述べる。
このツールは、Python APIを使用して、CARLAシミュレータ上に構築されており、自律運転のコンテキストにおいて、いくつかのビジョンタスク用のデータセットを生成することができる。
本稿では,CARLA-GeARで生成されたデータセットが,現実世界の敵防衛のベンチマークとして今後どのように利用されるかを示す。
論文 参考訳（メタデータ） (2022-06-09T09:17:38Z) - FuNNscope: Visual microscope for interactively exploring the loss
landscape of fully connected neural networks [77.34726150561087]
ニューラルネットワークの高次元景観特性を探索する方法を示す。
我々は、小さなニューラルネットワークの観測結果をより複雑なシステムに一般化する。
インタラクティブダッシュボードは、いくつかのアプリケーションネットワークを開放する。
論文 参考訳（メタデータ） (2022-04-09T16:41:53Z) - VRConvMF: Visual Recurrent Convolutional Matrix Factorization for Movie
Recommendation [21.25759321238169]
視覚的再帰的畳み込み行列因数分解(VRConvMF)と呼ばれる確率行列因数分解に基づくレコメンデーション手法を提案する。
提案したVRConvMFを実装し,その有効性を検証するために,一般的に使用されている3つの実世界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） (2022-02-16T08:21:03Z) - SalFBNet: Learning Pseudo-Saliency Distribution via Feedback
Convolutional Networks [8.195696498474579]
本稿では,サリエンシ検出のためのフィードバック再帰的畳み込みフレームワーク(SalFBNet)を提案する。
大規模Pseudo-Saliencyデータセットを作成し、唾液度検出におけるデータ不足の問題を軽減する。
論文 参考訳（メタデータ） (2021-12-07T14:39:45Z) - 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) - Generative Counterfactuals for Neural Networks via Attribute-Informed
Perturbation [51.29486247405601]
AIP(Attribute-Informed Perturbation)の提案により,生データインスタンスの反事実を生成するフレームワークを設計する。
異なる属性を条件とした生成モデルを利用することで、所望のラベルとの反事実を効果的かつ効率的に得ることができる。
実世界のテキストや画像に対する実験結果から, 設計したフレームワークの有効性, サンプル品質, および効率が示された。
論文 参考訳（メタデータ） (2021-01-18T08:37:13Z)
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。