論文の概要: HCFRec: Hash Collaborative Filtering via Normalized Flow with Structural Consensus for Efficient Recommendation

• arxiv url: http://arxiv.org/abs/2205.12042v1
• Date: Tue, 24 May 2022 12:51:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-25 22:32:48.154913
• Title: HCFRec: Hash Collaborative Filtering via Normalized Flow with Structural Consensus for Efficient Recommendation
• Title（参考訳）: HCFRec: 効率的なレコメンデーションのための構造合意付き正規化流れによるハッシュ協調フィルタリング
• Authors: Fan Wang, Weiming Liu, Chaochao Chen, Mengying Zhu, Xiaolin Zheng
• Abstract要約: ハッシュベースのコラボレーティブフィルタリング(Hash-CF)アプローチでは、学習したユーザとアイテムのバイナリ表現の効率的なハミング距離を使用してレコメンデーションを加速する。 我々は,Hash-CFアプローチを効果的かつ効率的なレコメンデーションのために提案するHCFRecを提案する。
• 参考スコア（独自算出の注目度）: 23.73674947905047
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ever-increasing data scale of user-item interactions makes it challenging for an effective and efficient recommender system. Recently, hash-based collaborative filtering (Hash-CF) approaches employ efficient Hamming distance of learned binary representations of users and items to accelerate recommendations. However, Hash-CF often faces two challenging problems, i.e., optimization on discrete representations and preserving semantic information in learned representations. To address the above two challenges, we propose HCFRec, a novel Hash-CF approach for effective and efficient recommendations. Specifically, HCFRec not only innovatively introduces normalized flow to learn the optimal hash code by efficiently fit a proposed approximate mixture multivariate normal distribution, a continuous but approximately discrete distribution, but also deploys a cluster consistency preserving mechanism to preserve the semantic structure in representations for more accurate recommendations. Extensive experiments conducted on six real-world datasets demonstrate the superiority of our HCFRec compared to the state-of-art methods in terms of effectiveness and efficiency.
• Abstract（参考訳）: ユーザストーリーインタラクションのデータスケールの増大は、効果的で効率的なレコメンデーションシステムにとって困難である。 近年,ハッシュベースの協調フィルタリング (Hash-CF) 手法では,学習したユーザやアイテムの2進表現のハミング距離を効率よく利用し,レコメンデーションを加速している。 しかし、Hash-CFは離散表現の最適化と学習表現における意味情報の保存という2つの困難な問題に直面している。 上記の2つの課題に対処するために、効果的かつ効率的なレコメンデーションのための新しいHash-CFアプローチであるHCFRecを提案する。 特に、hcfrecは、提案する近似混合多変量正規分布(連続的だがほぼ離散的分布)を効率的に適合させることで最適なハッシュコードを学習するために、革新的に正規化フローを導入するだけでなく、より正確な推奨のために、意味構造を保存するためにクラスタ一貫性保存機構を展開する。 6つの実世界のデータセットで実施された大規模な実験は、HCFRecの有効性と効率の点で最先端の手法よりも優れていることを示した。

関連論文リスト

• Flow Matching for Collaborative Filtering [27.79581814287762]
  FlowCFは、協調フィルタリングのためのフローベースのレコメンデーションシステムである。 高速な推論速度で、さまざまなデータセット間で最先端のレコメンデーション精度を達成する。
  論文  参考訳（メタデータ） (2025-02-11T07:01:19Z)
• Online Clustering of Dueling Bandits [59.09590979404303]
  本稿では、優先フィードバックに基づく協調的な意思決定を可能にするために、最初の「デュエルバンディットアルゴリズムのクラスタリング」を導入する。 本稿では,(1)ユーザ報酬関数をコンテキストベクトルの線形関数としてモデル化する線形デューリング帯域のクラスタリング(COLDB)と,(2)ニューラルネットワークを用いて複雑な非線形ユーザ報酬関数をモデル化するニューラルデューリング帯域のクラスタリング(CONDB)の2つの新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-04T07:55:41Z)
• Efficient and Robust Regularized Federated Recommendation [52.24782464815489]
  推薦システム(RSRS)は、ユーザの好みとプライバシの両方に対処する。 通信効率を向上させるために,非一様勾配勾配勾配を取り入れた新しい手法を提案する。 RFRecFの強靭性は、多様なベースラインに比べて優れている。
  論文  参考訳（メタデータ） (2024-11-03T12:10:20Z)
• RREH: Reconstruction Relations Embedded Hashing for Semi-Paired Cross-Modal Retrieval [32.06421737874828]
  Restructation Relations Embedded Hashing (RREH) は、半ペア型クロスモーダル検索タスク用に設計されている。 RREHはマルチモーダルデータが共通の部分空間を共有すると仮定する。 アンカーはペアのデータからサンプリングされ ハッシュ学習の効率が向上します
  論文  参考訳（メタデータ） (2024-05-28T03:12:54Z)
• Improved Distribution Matching for Dataset Condensation [91.55972945798531]
  本稿では,分布マッチングに基づく新しいデータセット凝縮法を提案する。 提案手法は,計算資源の少ない従来の最適化指向手法よりも優れている。
  論文  参考訳（メタデータ） (2023-07-19T04:07:33Z)
• Distributed Dynamic Safe Screening Algorithms for Sparse Regularization [73.85961005970222]
  本稿では,分散動的安全スクリーニング(DDSS)手法を提案し,共有メモリアーキテクチャと分散メモリアーキテクチャにそれぞれ適用する。 提案手法は, 線形収束率を低次複雑度で達成し, 有限個の繰り返しにおいてほとんどすべての不活性な特徴をほぼ確実に除去できることを示す。
  論文  参考訳（メタデータ） (2022-04-23T02:45:55Z)
• FDDH: Fast Discriminative Discrete Hashing for Large-Scale Cross-Modal Retrieval [41.125141897096874]
  クロスモーダルハッシュはその有効性と効率性に好まれる。 既存のほとんどのメソッドは、ハッシュコードを学ぶ際に意味情報の識別力を十分に利用していない。 大規模クロスモーダル検索のためのFDDH(Fast Discriminative Discrete Hashing)手法を提案する。
  論文  参考訳（メタデータ） (2021-05-15T03:53:48Z)
• CIMON: Towards High-quality Hash Codes [63.37321228830102]
  我々はtextbfComprehensive stextbfImilarity textbfMining と ctextbfOnsistency leartextbfNing (CIMON) という新しい手法を提案する。 まず、グローバルな洗練と類似度統計分布を用いて、信頼性とスムーズなガイダンスを得る。第二に、意味的整合性学習とコントラスト的整合性学習の両方を導入して、乱不変と差別的ハッシュコードの両方を導出する。
  論文  参考訳（メタデータ） (2020-10-15T14:47:14Z)
• Deep Hashing with Hash-Consistent Large Margin Proxy Embeddings [65.36757931982469]
  画像ハッシュコードは、分類または検索のために訓練された畳み込みニューラルネットワーク(CNN)の埋め込みをバイナライズすることによって生成される。 この曖昧さを解消するために、固定されたプロキシ(CNN分類層の重み)の使用が提案されている。 得られたHCLMプロキシはハッシュ単位の飽和を促進することが示され、小さな二項化誤差が保証される。
  論文  参考訳（メタデータ） (2020-07-27T23:47:43Z)
• Multi-Feature Discrete Collaborative Filtering for Fast Cold-start Recommendation [31.69262747122024]
  我々はMFDCF(Multi-Feature Discrete Collaborative Filtering)と呼ばれる高速コールドスタートレコメンデーション手法を提案する。 具体的には、低ランクな自己重み付き多機能融合モジュールは、複数のコンテンツ機能をバイナリハッシュコードに適応的に投影するように設計されている。 MFDCFは様々な面において最先端よりも優れています。
  論文  参考訳（メタデータ） (2020-03-24T08:55:15Z)

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。