論文の概要: Learning over No-Preferred and Preferred Sequence of Items for Robust
Recommendation (Extended Abstract)
- arxiv url: http://arxiv.org/abs/2202.13240v1
- Date: Sat, 26 Feb 2022 22:29:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-01 17:12:27.233956
- Title: Learning over No-Preferred and Preferred Sequence of Items for Robust
Recommendation (Extended Abstract)
- Title（参考訳）: ロバストレコメンデーション用項目の非推奨および優先順序による学習(拡張要約)
- Authors: Aleksandra Burashnikova, Yury Maximov, Marianne Clausel, Charlotte
Laclau, Franck Iutzeler and Massih-Reza Amini
- Abstract要約: 本稿では,暗黙のフィードバックよりも大規模レコメンダシステム(RS)を訓練するための理論的に支持された逐次戦略を提案する。
本稿では,モーメント法と勾配法のいずれかを用いてモデルパラメータを更新する手法を提案する。
- 参考スコア（独自算出の注目度）: 69.50145858681951
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper is an extended version of [Burashnikova et al., 2021, arXiv:
2012.06910], where we proposed a theoretically supported sequential strategy
for training a large-scale Recommender System (RS) over implicit feedback,
mainly in the form of clicks. The proposed approach consists in minimizing
pairwise ranking loss over blocks of consecutive items constituted by a
sequence of non-clicked items followed by a clicked one for each user. We
present two variants of this strategy where model parameters are updated using
either the momentum method or a gradient-based approach. To prevent updating
the parameters for an abnormally high number of clicks over some targeted items
(mainly due to bots), we introduce an upper and a lower threshold on the number
of updates for each user. These thresholds are estimated over the distribution
of the number of blocks in the training set. They affect the decision of RS by
shifting the distribution of items that are shown to the users. Furthermore, we
provide a convergence analysis of both algorithms and demonstrate their
practical efficiency over six large-scale collections with respect to various
ranking measures.
- Abstract（参考訳）: 本論文は,[Burashnikova et al., 2021, arXiv: 2012,06910]の拡張版で,主にクリックの形で,暗黙的なフィードバックよりも大規模レコメンダシステム(RS)をトレーニングするための理論的に支持された逐次戦略を提案する。
提案手法は,非クリック項目の系列とクリック項目の各ユーザからなる連続項目のブロックに対して,対方向のランキングロスを最小化するものである。
本稿では,モーメント法と勾配法のいずれかを用いてモデルパラメータを更新する手法を提案する。
いくつかのターゲット項目(主にボットによる)で異常に高いクリック数に対するパラメータの更新を防止するため、各ユーザに対する更新回数の上限を上下に設定する。
これらの閾値は、トレーニングセット内のブロック数の分布に対して推定される。
これらは、ユーザに示されるアイテムの分布をシフトすることで、rsの決定に影響を与える。
さらに,両アルゴリズムの収束解析を行い,様々なランク付け尺度に関して6つの大規模コレクションに対して実効性を示す。
関連論文リスト
- Multi-Weight Ranking for Multi-Criteria Decision Making [0.0]
統計値からコーン分布関数を多基準決定ツールに変換する。
ランキング関数はその後拡張され、設定された好みに対する一元的な指標が提供される。
機械学習の潜在的な応用について概説する。
論文 参考訳（メタデータ） (2023-12-04T11:13:42Z) - Federated Learning Robust to Byzantine Attacks: Achieving Zero
Optimality Gap [21.50616436951285]
本稿では,悪質なビザンツ人攻撃に効果的に取り組むことのできる,連邦学習(FL)のためのロバストな集約手法を提案する。
各ユーザでは、モデルのパラメータを複数のステップで更新し、イテレーションで調整可能となり、アグリゲーションセンターに直接プッシュする。
論文 参考訳（メタデータ） (2023-08-21T02:43:38Z) - Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
大規模未ラベルデータから学ぶための2つの戦略を提案する。
第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。
第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
論文 参考訳（メタデータ） (2023-07-26T16:19:19Z) - Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。
本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。
我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
論文 参考訳（メタデータ） (2022-07-04T17:49:25Z) - Sequence Adaptation via Reinforcement Learning in Recommender Systems [8.909115457491522]
そこで我々は,SARモデルを提案する。SARモデルは,ユーザとイテムの相互作用のシーケンス長をパーソナライズされた方法で調整する。
さらに,逐次レコメンデーションの精度を批評家ネットワークの予測累積報酬と整合させるために,共同損失関数を最適化する。
実世界の4つのデータセットに対する実験的な評価は,提案モデルがいくつかのベースラインアプローチよりも優れていることを示す。
論文 参考訳（メタデータ） (2021-07-31T13:56:46Z) - Learning Salient Boundary Feature for Anchor-free Temporal Action
Localization [81.55295042558409]
時間的行動のローカライゼーションはビデオ理解において重要な課題である。
純粋にアンカーフリーな時間的定位法を初めて提案する。
このモデルには,(i)エンドツーエンドのトレーニング可能な基本予測器,(ii)サリエンシベースのリファインメントモジュール,(iii)いくつかの一貫性制約が含まれている。
論文 参考訳（メタデータ） (2021-03-24T12:28:32Z) - Learning over no-Preferred and Preferred Sequence of items for Robust
Recommendation [66.8722561224499]
暗黙のフィードバックよりも大規模なレコメンダーシステム(RS)を訓練するための理論的に確立されたシーケンシャル戦略を提案する。
本稿では、モデルパラメータをモメンタリメソッドまたはグラデーションベースのアプローチで更新するこの戦略の2つのバリエーションを紹介します。
論文 参考訳（メタデータ） (2020-12-12T22:10:15Z) - Sample-Rank: Weak Multi-Objective Recommendations Using Rejection
Sampling [0.5156484100374059]
本稿では,マルチゴールサンプリングとユーザ関連度(Sample-Rank)のランク付けによるマーケットプレースの多目的目標への推薦手法を提案する。
提案手法の新規性は,望まれるマルチゴール分布からサンプリングするMOレコメンデーション問題を低減し,プロダクションフレンドリーな学習-ランクモデルを構築することである。
論文 参考訳（メタデータ） (2020-08-24T09:17:18Z) - SetRank: A Setwise Bayesian Approach for Collaborative Ranking from
Implicit Feedback [50.13745601531148]
提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。
具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。
また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
論文 参考訳（メタデータ） (2020-02-23T06:40:48Z)
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。