論文の概要: HICF: Hyperbolic Informative Collaborative Filtering
- arxiv url: http://arxiv.org/abs/2207.09051v1
- Date: Tue, 19 Jul 2022 03:45:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-20 14:21:07.868942
- Title: HICF: Hyperbolic Informative Collaborative Filtering
- Title（参考訳）: hicf:双曲的情報協調フィルタリング
- Authors: Menglin Yang, Zhihao Li, Min Zhou, Jiahong Liu, Irwin King
- Abstract要約: ハイパーボリック空間は、パワーローな分散ユーザイテムネットワークを記述するのに適している。
双曲型モデルでは,どの項目が効果的に推奨できるのか,どの項目が推奨できないのかは明らかでない。
本稿では,見出し項目の推薦効率を補うために,ハイカルボリック・コラボレーティブ・フィルタ(HICF)という新しい学習手法を提案する。
- 参考スコア（独自算出の注目度）: 35.26872278129825
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Considering the prevalence of the power-law distribution in user-item
networks, hyperbolic space has attracted considerable attention and achieved
impressive performance in the recommender system recently. The advantage of
hyperbolic recommendation lies in that its exponentially increasing capacity is
well-suited to describe the power-law distributed user-item network whereas the
Euclidean equivalent is deficient. Nonetheless, it remains unclear which kinds
of items can be effectively recommended by the hyperbolic model and which
cannot. To address the above concerns, we take the most basic recommendation
technique, collaborative filtering, as a medium, to investigate the behaviors
of hyperbolic and Euclidean recommendation models. The results reveal that (1)
tail items get more emphasis in hyperbolic space than that in Euclidean space,
but there is still ample room for improvement; (2) head items receive modest
attention in hyperbolic space, which could be considerably improved; (3) and
nonetheless, the hyperbolic models show more competitive performance than
Euclidean models. Driven by the above observations, we design a novel learning
method, named hyperbolic informative collaborative filtering (HICF), aiming to
compensate for the recommendation effectiveness of the head item while at the
same time improving the performance of the tail item. The main idea is to adapt
the hyperbolic margin ranking learning, making its pull and push procedure
geometric-aware, and providing informative guidance for the learning of both
head and tail items. Extensive experiments back up the analytic findings and
also show the effectiveness of the proposed method. The work is valuable for
personalized recommendations since it reveals that the hyperbolic space
facilitates modeling the tail item, which often represents user-customized
preferences or new products.
- Abstract（参考訳）: ユーザ・イテム・ネットワークにおけるパワー・ロー分布の普及を考えると、双曲空間が注目され、最近はレコメンダ・システムで素晴らしい性能を得た。
双曲的レコメンデーションの利点は、その指数関数的に増加するキャパシティがパワーロー分散ユーザ・イットムネットワークを記述するのに適しているのに対して、ユークリッド同値は不足していることである。
しかし, メタボリックモデルではどの項目が効果的に推奨され, どちらが推奨できないのかは明らかでない。
上記の問題に対処するため,双曲型およびユークリッド型の推薦モデルの挙動をメディアとして,最も基本的な推奨手法である協調フィルタリング(collaborative filtering)を用いて検討する。
その結果,(1) テールアイテムはユークリッド空間よりも双曲空間に重点が置かれるが,改善の余地は十分にあること,(2) ヘッドアイテムは双曲空間に適度な注意を払われること,(3) にもかかわらず,双曲モデルの方がユークリッドモデルよりも競争性能が高いことが明らかとなった。
そこで本研究では, 提案手法を用いて, 頭部項目の推薦効果を補うと同時に, 尾項目の性能を向上させることを目的とした新しい学習法であるhyperbolic informative collaborative filtering (hicf) を設計した。
主な考え方は、双曲的マージンランキング学習に適応し、そのプル&プッシュ手順を幾何学的に認識し、頭と尾の両方の項目の学習のための情報的ガイダンスを提供することである。
広範な実験により解析結果が裏付けられ,提案手法の有効性が示された。
この作品はパーソナライズされたレコメンデーションにとって有益である。それは、ハイパーボリックスペースが、しばしばユーザーがカスタマイズした好みや新製品を表すテールアイテムのモデリングを容易にすることを明らかにしているからだ。
関連論文リスト
- Towards a Theoretical Understanding of Two-Stage Recommender Systems [0.5439020425819]
プロダクショングレードのレコメンダシステムは、Netflix、Pinterest、Amazonなど、オンラインメディアサービスで使用されている大規模なコーパスに大きく依存している。
最適なレコメンデータシステムに強い収束をもたらす2段階レコメンデータの挙動について検討する。
本研究では,2段階のレコメンデータが,商品の属性や属性が評価に与える影響をカプセル化できることを数値的に示す。
論文 参考訳（メタデータ） (2024-02-23T21:11:55Z) - Hyperbolic vs Euclidean Embeddings in Few-Shot Learning: Two Sides of
the Same Coin [49.12496652756007]
この結果から, 共通の双曲半径での双曲埋め込みが達成できることが示唆された。
従来のベンチマーク結果とは対照的に、ユークリッド計量を備えた固定半径エンコーダにより、より良い性能が得られることを示す。
論文 参考訳（メタデータ） (2023-09-18T14:51:46Z) - Hyperbolic Representation Learning: Revisiting and Advancing [43.1661098138936]
本稿では,現在普及しているhlmを精査する位置追跡機構を導入し,学習された表現が準最適で不満足であることを明らかにする。
本稿では,ノードの双曲的距離から推定されるコストフリーな階層的情報を原点に組み込むことにより,シンプルで効果的な情報埋め込み手法であるハイボリックインフォメーション(HIE)を提案する。
提案手法は, 競合するベースラインに比べて最大21.4%向上した。
論文 参考訳（メタデータ） (2023-06-15T13:25:39Z) - Time-aware Hyperbolic Graph Attention Network for Session-based
Recommendation [58.748215444851226]
セッションベースのレコメンデーション(SBR、Session-based Recommendation)は、ユーザの次の関心項目を以前のブラウジングセッションに基づいて予測することである。
時間情報を考慮したセッションベースレコメンデーションモデルを構築するために,TA-HGAT(Time-Aware Hyperbolic Graph Attention Network)を提案する。
論文 参考訳（メタデータ） (2023-01-10T04:16:09Z) - HRCF: Enhancing Collaborative Filtering via Hyperbolic Geometric
Regularization [52.369435664689995]
HRCF (textitHyperbolic Regularization powered Collaborative Filtering) を導入し,幾何認識型双曲正規化器を設計する。
具体的には、ルートアライメントとオリジン認識ペナルティによる最適化手順を強化する。
提案手法は,双曲的凝集による過度な平滑化問題に対処でき,モデルの識別能力も向上する。
論文 参考訳（メタデータ） (2022-04-18T06:11:44Z) - PipAttack: Poisoning Federated Recommender Systems forManipulating Item
Promotion [58.870444954499014]
一般的な実践は、分散化された連邦学習パラダイムの下でレコメンデーターシステムをサブスクライブすることである。
本稿では,対象項目の促進のために,フェデレートされたレコメンデータシステムをバックドア化するための体系的アプローチを提案する。
論文 参考訳（メタデータ） (2021-10-21T06:48:35Z) - Self-Supervised Reinforcement Learning for Recommender Systems [77.38665506495553]
逐次リコメンデーションタスクのための自己指導型強化学習を提案する。
提案手法は,2つの出力層を持つ標準レコメンデーションモデルを強化する。
このようなアプローチに基づいて、自己監督型Q-ラーニング(SQN)と自己監督型アクター・クライブ(SAC)という2つのフレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-10T11:18:57Z) - Hyperbolic Manifold Regression [33.40757136529844]
本稿では,多くの機械学習応用の中間要素として,双曲空間上で多様体値回帰を行うという問題を考察する。
本稿では,1)ラベル埋め込みによる階層的分類,2)双曲表現の分類的拡張の2つの課題に対する新しい視点を提案する。
実験の結果,双曲幾何学の活用戦略は有望であることが示唆された。
論文 参考訳（メタデータ） (2020-05-28T10:16:30Z)
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。