論文の概要: Diverse Preference Augmentation with Multiple Domains for Cold-start Recommendations

• arxiv url: http://arxiv.org/abs/2204.00327v1
• Date: Fri, 1 Apr 2022 10:10:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-04 20:37:55.473932
• Title: Diverse Preference Augmentation with Multiple Domains for Cold-start Recommendations
• Title（参考訳）: コールドスタートレコメンデーションのための複数のドメインによる多様な選好強化
• Authors: Yan Zhang, Changyu Li, Ivor W. Tsang, Hui Xu, Lixin Duan, Hongzhi Yin, Wen Li, Jie Shao
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 92.47380209981348
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cold-start issues have been more and more challenging for providing accurate recommendations with the fast increase of users and items. Most existing approaches attempt to solve the intractable problems via content-aware recommendations based on auxiliary information and/or cross-domain recommendations with transfer learning. Their performances are often constrained by the extremely sparse user-item interactions, unavailable side information, or very limited domain-shared users. Recently, meta-learners with meta-augmentation by adding noises to labels have been proven to be effective to avoid overfitting and shown good performance on new tasks. Motivated by the idea of meta-augmentation, in this paper, by treating a user's preference over items as a task, we propose a so-called Diverse Preference Augmentation framework with multiple source domains based on meta-learning (referred to as MetaDPA) to i) generate diverse ratings in a new domain of interest (known as target domain) to handle overfitting on the case of sparse interactions, and to ii) learn a preference model in the target domain via a meta-learning scheme to alleviate cold-start issues. Specifically, we first conduct multi-source domain adaptation by dual conditional variational autoencoders and impose a Multi-domain InfoMax (MDI) constraint on the latent representations to learn domain-shared and domain-specific preference properties. To avoid overfitting, we add a Mutually-Exclusive (ME) constraint on the output of decoders to generate diverse ratings given content data. Finally, these generated diverse ratings and the original ratings are introduced into the meta-training procedure to learn a preference meta-learner, which produces good generalization ability on cold-start recommendation tasks. Experiments on real-world datasets show our proposed MetaDPA clearly outperforms the current state-of-the-art baselines.
• Abstract（参考訳）: ユーザーやアイテムの急速な増加で正確なレコメンデーションを提供する上で、コールドスタートの問題はますます難しくなっている。 既存のほとんどのアプローチは、補助情報および/またはトランスファー学習を伴うクロスドメインレコメンデーションに基づくコンテンツ認識レコメンデーションを通じて、難解な問題を解決しようとする。 それらのパフォーマンスは、非常にスパースなユーザとイテムのインタラクション、利用できないサイド情報、ドメイン共有ユーザによって制約されることが多い。 近年,ラベルにノイズを付加してメタ学習を行うメタリーナーが,オーバーフィッティングを回避し,新しいタスクで優れた性能を示すことが証明されている。 本稿では,アイテムに対するユーザの嗜好をタスクとして扱うことによって,メタ学習に基づく複数のソースドメインを持つ多種多様な嗜好拡張フレームワークを提案する。 一 新しい利害関係(標的領域)において多種多様な評価を生成して、疎通の場合の過度な適合を処理し、 二 コールドスタート問題を軽減するためのメタラーニングスキームを通じて、対象領域の選好モデルを学ぶこと。 具体的には、まず2条件変分オートエンコーダによるマルチソースドメイン適応を行い、潜在表現にマルチドメインinfomax(mdi)制約を課し、ドメイン共有およびドメイン固有の選好特性を学ぶ。 オーバーフィッティングを避けるため、デコーダの出力にMutually-Exclusive(ME)制約を加えて、与えられたコンテンツデータに対して様々なレーティングを生成する。 最後に、これら生成された多種多様な評価と原評価をメタトレーニング手順に導入し、選好メタラーナーを学習し、コールドスタートレコメンデーションタスクに優れた一般化能力をもたらす。 実世界のデータセットの実験により、提案したMetaDPAは、現在の最先端のベースラインよりも明らかに優れています。

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)
• MDAP: A Multi-view Disentangled and Adaptive Preference Learning Framework for Cross-Domain Recommendation [63.27390451208503]
  クロスドメインレコメンデーションシステムは、マルチドメインユーザインタラクションを活用してパフォーマンスを向上させる。 マルチビュー・ディスタングル・アダプティブ・プライスラーニング・フレームワークを提案する。 当社のフレームワークはマルチビューエンコーダを使用して,多様なユーザの好みをキャプチャする。
  論文  参考訳（メタデータ） (2024-10-08T10:06:45Z)
• 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)
• Exploring User Retrieval Integration towards Large Language Models for Cross-Domain Sequential Recommendation [66.72195610471624]
  Cross-Domain Sequential Recommendationは、異なるドメイン間でユーザのシーケンシャルな好みをマイニングし、転送することを目的としている。 本稿では,ユーザ検索手法を探索し,CDSRの性能向上を目的とした URLLM という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-05T09:19:54Z)
• Transfer of codebook latent factors for cross-domain recommendation with non-overlapping data [5.145146101802871]
  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。
  論文  参考訳（メタデータ） (2022-03-26T05:26:39Z)
• 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 User Preference Learning for Cold-start Recommendation [32.83868293457142]
  クロスドメインのコールドスタートレコメンデーションは、リコメンデーションシステムにとってますます問題になっている。 ソースドメインからユーザの好みを学習し、ターゲットドメインに転送することが重要です。 そこで本稿では,コールドスタートの推薦をさまざまなセマンティックタグで対象とする,自己学習型クロスドメインユーザ優先学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-07T12:57:05Z)
• Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
  コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。 MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
  論文  参考訳（メタデータ） (2021-10-18T08:11:24Z)
• 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)
• Transfer Learning via Contextual Invariants for One-to-Many Cross-Domain Recommendation [19.106717948585445]
  我々は、クロスドメイン学習のためのスケーラブルなニューラルネットワーク層トランスファーアプローチを開発した。 我々の重要な直感は、高密度領域とスパース領域で共有されるドメイン不変成分によるニューラルコラボレーティブフィルタリングを導くことです。 2つのパブリックデータセットと、Visaの大規模トランザクションデータセットに対して、我々のアプローチの有効性とスケーラビリティを示す。
  論文  参考訳（メタデータ） (2020-05-21T05:51:15Z)

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。