論文の概要: Detecting Arbitrary Order Beneficial Feature Interactions for Recommender Systems

• arxiv url: http://arxiv.org/abs/2206.13764v1
• Date: Tue, 28 Jun 2022 05:27:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-29 14:35:48.198904
• Title: Detecting Arbitrary Order Beneficial Feature Interactions for Recommender Systems
• Title（参考訳）: リコメンダシステムにおける任意順序特徴相互作用の検出
• Authors: Yixin Su, Yunxiang Zhao, Sarah Erfani, Junhao Gan, Rui Zhang
• Abstract要約: HIRSは任意の順序の有益な特徴相互作用を直接生成する最初の作品である。 本稿では,有益な特徴相互作用の3つの特性を活かし,相互作用生成のガイドとなるディープ・インフォマックス法を提案する。 実験の結果、HIRSは推奨精度で最先端のアルゴリズムを最大5%上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 15.824220659063046
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detecting beneficial feature interactions is essential in recommender systems, and existing approaches achieve this by examining all the possible feature interactions. However, the cost of examining all the possible higher-order feature interactions is prohibitive (exponentially growing with the order increasing). Hence existing approaches only detect limited order (e.g., combinations of up to four features) beneficial feature interactions, which may miss beneficial feature interactions with orders higher than the limitation. In this paper, we propose a hypergraph neural network based model named HIRS. HIRS is the first work that directly generates beneficial feature interactions of arbitrary orders and makes recommendation predictions accordingly. The number of generated feature interactions can be specified to be much smaller than the number of all the possible interactions and hence, our model admits a much lower running time. To achieve an effective algorithm, we exploit three properties of beneficial feature interactions, and propose deep-infomax-based methods to guide the interaction generation. Our experimental results show that HIRS outperforms state-of-the-art algorithms by up to 5% in terms of recommendation accuracy.
• Abstract（参考訳）: 提案するシステムでは,有効な機能インタラクションの検出が不可欠であり,既存のアプローチでは,可能なすべての機能インタラクションを調べることでこれを実現している。 しかし、全ての高次特徴相互作用を検査するコストは禁じられている(順序が増加するにつれて、指数的に増大する)。 したがって、既存のアプローチは限られた順序(例えば最大4つの特徴の組み合わせ)のみを検知し、有益な特徴相互作用は制限よりも高い順序との有益な特徴相互作用を見逃す可能性がある。 本稿では、HIRSと呼ばれるハイパーグラフニューラルネットワークモデルを提案する。 HIRSは任意の順序の有益な特徴相互作用を直接生成し、それに従って推奨予測を行う最初の作品である。 生成された特徴的相互作用の数は、可能なすべての相互作用の数よりもはるかに小さく指定できるため、我々のモデルは実行時間がはるかに少ないことを認めている。 効果的なアルゴリズムを実現するために,有効な特徴インタラクションの3つの特性を活用し,インタラクション生成を導くディープインフォマックスベース手法を提案する。 実験の結果、HIRSは推奨精度で最先端のアルゴリズムを最大5%上回っていることがわかった。

関連論文リスト

• Beyond Two-Tower Matching: Learning Sparse Retrievable Cross-Interactions for Recommendation [80.19762472699814]
  2-towerモデルは、産業アプリケーションに広くデプロイされている推奨のための一般的なマッチングフレームワークである。 機能間相互作用の制限と、オンラインサービスにおける精度の低下など、主な課題が2つある。 我々は,高度な機能相互作用だけでなく,効率的な検索もサポートするSparCodeという新しいマッチングパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-11-30T03:13:36Z)
• HIORE: Leveraging High-order Interactions for Unified Entity Relation Extraction [85.80317530027212]
  本稿では,統合エンティティ関係抽出のための新しい手法であるHIOREを提案する。 重要な洞察は、単語ペア間の複雑な関連を活用することである。 実験の結果,HIOREは従来最高の統一モデルよりも1.11.8 F1ポイント向上した。
  論文  参考訳（メタデータ） (2023-05-07T14:57:42Z)
• Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
  本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-08T09:44:00Z)
• APS: Active Pretraining with Successor Features [96.24533716878055]
  非エントロピーと後継指標であるHansenFastを再解釈して組み合わせることで、難解な相互情報を効率的に最適化できることを示す。 提案手法は,非エントロピーを用いて環境を探索し,探索したデータを効率的に活用して動作を学習する。
  論文  参考訳（メタデータ） (2021-08-31T16:30:35Z)
• Memorize, Factorize, or be Na\"ive: Learning Optimal Feature Interaction Methods for CTR Prediction [29.343267933348372]
  本稿では,各機能間相互作用に最も適したモデリング手法を求めるOPtInterというフレームワークを提案する。 実験の結果,OptInterは最先端のベースライン深部CTRモデルを最大2.21%改善することがわかった。
  論文  参考訳（メタデータ） (2021-08-03T03:03:34Z)
• CAN: Feature Co-Action for Click-Through Rate Prediction [42.251405364218805]
  本稿では,CAN(Co-Action Network)を提案する。 CANは最先端のCTRモデルとカルデシアン積法より優れている。 CANはAlibabaのディスプレイ広告システムにデプロイされ、CTRで12%改善されている。
  論文  参考訳（メタデータ） (2020-11-11T08:33:07Z)
• Dynamic Embeddings for Interaction Prediction [2.5758502140236024]
  推薦システム(RS)では、ユーザが対話する次の項目を予測することが、ユーザの保持に不可欠である。 近年,ユーザとアイテム間の相互相互作用を個別のユーザとアイテムの埋め込みを用いてモデル化する手法の有効性が示されている。 本稿では,DeePRed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） (2020-11-10T16:04:46Z)
• Detecting Beneficial Feature Interactions for Recommender Systems [15.599904548629537]
  特徴的相互作用は、レコメンデータシステムにおいて高い精度を達成するために不可欠である。 本稿では,これらの特徴の相互作用を自動的に検出する新しい手法とともに,効果的にモデル化するためのグラフニューラルネットワークアプローチを提案する。 提案手法は,情報ボトルネック原理と統計的相互作用理論により有効であることが証明された。
  論文  参考訳（メタデータ） (2020-08-02T06:08:23Z)
• FIVES: Feature Interaction Via Edge Search for Large-Scale Tabular Data [106.76845921324704]
  本稿では,FIVES (Feature Interaction Via Edge Search) という新しい手法を提案する。 FIVESは、定義された特徴グラフ上のエッジを探すために、インタラクティブな特徴生成のタスクを定式化する。 本稿では,対話的特徴の探索を動機づける理論的証拠を提示する。
  論文  参考訳（メタデータ） (2020-07-29T03:33:18Z)
• Cascaded Human-Object Interaction Recognition [175.60439054047043]
  マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。 各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。 慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
  論文  参考訳（メタデータ） (2020-03-09T17:05:04Z)

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。