論文の概要: Transfer of codebook latent factors for cross-domain recommendation with non-overlapping data

• arxiv url: http://arxiv.org/abs/2203.13995v1
• Date: Sat, 26 Mar 2022 05:26:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-03 02:05:02.478235
• Title: Transfer of codebook latent factors for cross-domain recommendation with non-overlapping data
• Title（参考訳）: 非重複データを用いたクロスドメインレコメンデーションのためのコードブック潜在因子の転送
• Authors: Sowmini Devi Veeramachaneni, Arun K Pujari, Vineet Padmanabhan, Vikas Kumar
• Abstract要約: Data Sparsityは、協調フィルタリング技術における大きな欠点の1つだ。 本稿では,クロスドメインレコメンデーションのための新しいトランスファー学習手法を提案する。
• 参考スコア（独自算出の注目度）: 5.145146101802871
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommender systems based on collaborative filtering play a vital role in many E-commerce applications as they guide the user in finding their items of interest based on the user's past transactions and feedback of other similar customers. Data Sparsity is one of the major drawbacks with collaborative filtering technique arising due to the less number of transactions and feedback data. In order to reduce the sparsity problem, techniques called transfer learning/cross-domain recommendation has emerged. In transfer learning methods, the data from other dense domain(s) (source) is considered in order to predict the missing ratings in the sparse domain (target). In this paper, we come up with a novel transfer learning approach for cross-domain recommendation, wherein the cluster-level rating pattern(codebook) of the source domain is obtained via a co-clustering technique. Thereafter we apply the Maximum Margin Matrix factorization (MMMF) technique on the codebook in order to learn the user and item latent features of codebook. Prediction of the target rating matrix is achieved by introducing these latent features in a novel way into the optimisation function. In the experiments we demonstrate that our model improves the prediction accuracy of the target matrix on benchmark datasets.
• Abstract（参考訳）: 協調フィルタリングに基づくレコメンダシステムは,ユーザの過去の取引や他の類似顧客からのフィードバックに基づいて,ユーザの関心項目の発見を指導する上で,多くのEコマースアプリケーションにおいて重要な役割を担っている。 Data Sparsityは、トランザクション数やフィードバックデータが少ないために発生するコラボレーティブフィルタリング技術の大きな欠点の1つです。 疎度問題を解決するため、トランスファーラーニング/クロスドメインレコメンデーションと呼ばれる手法が登場した。 伝達学習法では、スパース領域(ターゲット)の欠落評価を予測するために、他の高密度領域(ソース)からのデータが考慮される。 本稿では,ソースドメインのクラスタレベル評価パターン(コードブック)を共クラスタ化手法を用いて取得する,クロスドメイン推薦のための新しい転送学習手法を提案する。 その後、コードブックのユーザおよびアイテム潜在機能を学ぶために、MMMF(Maximum Margin Matrix Factorization)技術を適用した。 目標評価行列の予測は、これらの潜在特徴を最適化関数に新しい方法で導入することにより達成される。 実験では,本モデルにより,ベンチマークデータセット上でのターゲット行列の予測精度が向上することを示した。

関連論文リスト

• Transferable Sequential Recommendation via Vector Quantized Meta Learning [29.49708205199897]
  転送可能なシーケンシャルレコメンデータ(MetaRec)のためのベクトル量子化メタ学習を提案する。 提案手法では,複数のソースドメインからのユーザ・イテムインタラクションを活用して,対象ドメインの性能を向上させる。 提案手法の有効性を検証するため,ベンチマークデータセット上で広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-11-04T04:16:11Z)
• Cross-domain Transfer of Valence Preferences via a Meta-optimization Approach [17.545983294377958]
  CVPMはメタラーニングと自己教師型学習のハイブリッドアーキテクチャとして、ドメイン間の関心伝達を形式化する。 ユーザの好みに対する深い洞察を得て、差別化されたエンコーダを使って分布を学習する。 特に、各ユーザのマッピングを共通の変換とパーソナライズされたバイアスの2つの部分として扱い、そこでは、パーソナライズされたバイアスを生成するネットワークがメタラーナーによって出力される。
  論文  参考訳（メタデータ） (2024-06-24T10:02:24Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• 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)
• Low-confidence Samples Matter for Domain Adaptation [47.552605279925736]
  ドメイン適応(DA)は、知識をラベルの豊富なソースドメインから関連するがラベルの少ないターゲットドメインに転送することを目的としている。 低信頼度サンプルの処理による新しいコントラスト学習法を提案する。 提案手法を教師なしと半教師付きの両方のDA設定で評価する。
  論文  参考訳（メタデータ） (2022-02-06T15:45:45Z)
• 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)
• A Hinge-Loss based Codebook Transfer for Cross-Domain Recommendation with Nonoverlapping Data [4.117391333767584]
  アイテムスペースが増加し、ユーザが評価するアイテムの数が大幅に減少するにつれて、空白のような問題が発生する。 疎度問題を緩和するために、疎度ドメイン(ソース)からのデータを考慮し、スパースドメイン(ターゲット)の欠落するエントリを予測するトランスファーラーニング技術が用いられている。
  論文  参考訳（メタデータ） (2021-08-02T17:17:36Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
  領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。 グラフ埋め込みに基づく汎用フレームワークを提案する。 提案手法が強力なドメイン適応フレームワークにつながることを示す。
  論文  参考訳（メタデータ） (2020-03-09T12:25:13Z)

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。