論文の概要: Learning Personalized Item-to-Item Recommendation Metric via Implicit Feedback

• arxiv url: http://arxiv.org/abs/2203.12598v1
• Date: Fri, 18 Mar 2022 18:08:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-27 05:08:19.557099
• Title: Learning Personalized Item-to-Item Recommendation Metric via Implicit Feedback
• Title（参考訳）: インシシットフィードバックによるパーソナライズされたアイテム・ツー・アイテムレコメンデーションメトリクスの学習
• Authors: Trong Nghia Hoang, Anoop Deoras, Tong Zhao, Jin Li, George Karypis
• Abstract要約: 本稿では,暗黙のフィードバックによるメトリクス学習の新しい視点から,レコメンデーションシステムにおける項目間推薦問題について検討する。 本研究では,アイテムの内部コンテンツとユーザによるインタラクションの両方をキャプチャする,パーソナライズ可能なディープメトリックモデルを開発し,検討する。
• 参考スコア（独自算出の注目度）: 24.37151414523712
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper studies the item-to-item recommendation problem in recommender systems from a new perspective of metric learning via implicit feedback. We develop and investigate a personalizable deep metric model that captures both the internal contents of items and how they were interacted with by users. There are two key challenges in learning such model. First, there is no explicit similarity annotation, which deviates from the assumption of most metric learning methods. Second, these approaches ignore the fact that items are often represented by multiple sources of meta data and different users use different combinations of these sources to form their own notion of similarity. To address these challenges, we develop a new metric representation embedded as kernel parameters of a probabilistic model. This helps express the correlation between items that a user has interacted with, which can be used to predict user interaction with new items. Our approach hinges on the intuition that similar items induce similar interactions from the same user, thus fitting a metric-parameterized model to predict an implicit feedback signal could indirectly guide it towards finding the most suitable metric for each user. To this end, we also analyze how and when the proposed method is effective from a theoretical lens. Its empirical effectiveness is also demonstrated on several real-world datasets.
• Abstract（参考訳）: 本稿では,暗黙のフィードバックによるメトリクス学習の新しい視点から,レコメンデーションシステムにおける項目間推薦問題について検討する。 我々は,アイテムの内部内容とユーザとのインタラクションの双方を捉えた,個人化可能なディープメトリックモデルを開発し,検討する。 そのようなモデルを学ぶには2つの重要な課題があります。 まず、ほとんどの計量学習法の仮定から逸脱する明示的な類似性アノテーションは存在しない。 第二に、これらのアプローチは、アイテムがしばしば複数のメタデータソースによって表現され、異なるユーザーがそれらのソースの異なる組み合わせを使用して独自の類似性の概念を形成するという事実を無視している。 これらの課題に対処するため,確率モデルのカーネルパラメータとして組み込んだ新しい計量表現を開発した。 これは、ユーザが対話したアイテム間の相関を表現するのに役立ち、新しいアイテムとのユーザのインタラクションを予測するのに使うことができる。 提案手法は,類似アイテムが同一ユーザから類似したインタラクションを誘導する直感に基づくもので,暗黙的なフィードバック信号の予測にメトリックパラメータ化モデルを適用することで,各ユーザに適したメトリックを見つけるための間接的ガイドとなる。 この目的のために,提案手法が理論レンズからどのように有効であるか,いつ有効かも分析する。 その経験的効果は、いくつかの実世界のデータセットにも示されている。

関連論文リスト

• Leveraging a Cognitive Model to Measure Subjective Similarity of Human and GPT-4 Written Content [26.409490082213445]
  GPT-4のような大規模言語モデル(LLM)によって形成されたトークン埋め込みを用いて、2つの文書間のコサイン類似性を計算することができる。 この類似度尺度は、個人のバイアスと制約を、意思決定の認知メカニズムに根ざした方法で考慮するという点で有益である。 このデータセットは、認知モデルを利用して、教育環境での人間の被験者の主観的類似度を測定する利点を示すために使用される。
  論文  参考訳（メタデータ） (2024-08-30T21:54:13Z)
• Semantic-Enhanced Relational Metric Learning for Recommender Systems [27.330164862413184]
  近年,知識グラフの翻訳機構に触発された推薦コミュニティにおいて,計量学習手法が注目されている。 本稿では,推薦システムにおける問題に対処するためのセマンティック拡張メトリックラーニングフレームワークを提案する。 具体的には、まず、豊富な特徴とパーソナライズされたユーザー嗜好を含む対象レビューから意味信号を抽出する。 次に、抽出した意味信号を利用して、新しい回帰モデルを設計し、元の関係に基づくトレーニングプロセスの識別能力を向上させる。
  論文  参考訳（メタデータ） (2024-06-07T11:54:50Z)
• MMGRec: Multimodal Generative Recommendation with Transformer Model [81.61896141495144]
  MMGRecは、マルチモーダルレコメンデーションに生成パラダイムを導入することを目指している。 まず,階層的な量子化手法であるGraph CF-RQVAEを考案し,各項目にRec-IDを割り当てる。 次に、Transformerベースのレコメンデータをトレーニングし、過去のインタラクションシーケンスに基づいて、ユーザが推奨するアイテムのRec-IDを生成する。
  論文  参考訳（メタデータ） (2024-04-25T12:11:27Z)
• 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)
• The Minority Matters: A Diversity-Promoting Collaborative Metric Learning Algorithm [154.47590401735323]
  CML(Collaborative Metric Learning)は、リコメンデーションシステムにおいて人気のある手法として最近登場した。 本稿では,ユーザが複数のカテゴリの関心を持つ,困難なシナリオに焦点をあてる。 textitDiversity-Promoting Collaborative Metric Learning (DPCML) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-09-30T08:02:18Z)
• One for All: Simultaneous Metric and Preference Learning over Multiple Users [17.083305162005136]
  回答者の群集からの同時選好とメートル法学習について検討した。 我々のモデルは、群衆のアイテム類似性の一般的な尺度を特徴付ける距離メートル法を共同で学習する。 我々は、シミュレーションデータと色嗜好判定のデータセットの両方で、モデルの性能を実証する。
  論文  参考訳（メタデータ） (2022-07-07T22:47:13Z)
• Adaptive Hierarchical Similarity Metric Learning with Noisy Labels [138.41576366096137]
  適応的階層的類似度メトリック学習法を提案する。 ノイズに敏感な2つの情報、すなわち、クラスワイドのばらつきとサンプルワイドの一貫性を考える。 提案手法は,現在の深層学習手法と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-10-29T02:12:18Z)
• Combining Feature and Instance Attribution to Detect Artifacts [62.63504976810927]
  トレーニングデータアーティファクトの識別を容易にする手法を提案する。 提案手法は,トレーニングデータのアーティファクトの発見に有効であることを示す。 我々は,これらの手法が実際にNLP研究者にとって有用かどうかを評価するために,小規模なユーザスタディを実施している。
  論文  参考訳（メタデータ） (2021-07-01T09:26:13Z)
• On Variational Inference for User Modeling in Attribute-Driven Collaborative Filtering [10.64460581091531]
  本稿では,因果推論を用いて時間的文脈からユーザの属性親和性を学習する手法を提案する。 この目的を確率論的機械学習問題として定式化し、モデルパラメータを推定するために変分推論に基づく手法を適用する。
  論文  参考訳（メタデータ） (2020-12-02T22:39:58Z)
• Interpretable Multi-dataset Evaluation for Named Entity Recognition [110.64368106131062]
  本稿では,名前付きエンティティ認識(NER)タスクに対する一般的な評価手法を提案する。 提案手法は,モデルとデータセットの違いと,それらの間の相互作用を解釈することを可能にする。 分析ツールを利用可能にすることで、将来の研究者が同様の分析を実行し、この分野の進歩を促進することができる。
  論文  参考訳（メタデータ） (2020-11-13T10:53:27Z)
• Towards Open-World Recommendation: An Inductive Model-based Collaborative Filtering Approach [115.76667128325361]
  推奨モデルは、基礎となるユーザの関心を効果的に見積もり、将来の行動を予測することができる。 2つの表現モデルを含む帰納的協調フィルタリングフレームワークを提案する。 本モデルでは,限られたトレーニングレーティングと新規の未確認ユーザを対象に,数ショットのユーザに対して有望なレコメンデーションを行う。
  論文  参考訳（メタデータ） (2020-07-09T14:31:25Z)

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。