論文の概要: Adapting Triplet Importance of Implicit Feedback for Personalized Recommendation

• arxiv url: http://arxiv.org/abs/2208.01709v1
• Date: Tue, 2 Aug 2022 19:44:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-04 14:10:32.926469
• Title: Adapting Triplet Importance of Implicit Feedback for Personalized Recommendation
• Title（参考訳）: パーソナライズされたレコメンデーションのためのインシシットフィードバックのトリプレットの重要性の適応
• Authors: Haolun Wu, Chen Ma, Yingxue Zhang, Xue Liu, Ruiming Tang, Mark Coates
• Abstract要約: インプシットフィードバックは、パーソナライズされたレコメンデーションサービスを開発するために頻繁に使用される。 本稿では,Triplet Importance Learning (TIL) という新たなトレーニングフレームワークを提案する。 提案手法は,トップkレコメンデーションのRecall@kにおいて,既存モデルよりも3～21%優れていた。
• 参考スコア（独自算出の注目度）: 43.85549591503592
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Implicit feedback is frequently used for developing personalized recommendation services due to its ubiquity and accessibility in real-world systems. In order to effectively utilize such information, most research adopts the pairwise ranking method on constructed training triplets (user, positive item, negative item) and aims to distinguish between positive items and negative items for each user. However, most of these methods treat all the training triplets equally, which ignores the subtle difference between different positive or negative items. On the other hand, even though some other works make use of the auxiliary information (e.g., dwell time) of user behaviors to capture this subtle difference, such auxiliary information is hard to obtain. To mitigate the aforementioned problems, we propose a novel training framework named Triplet Importance Learning (TIL), which adaptively learns the importance score of training triplets. We devise two strategies for the importance score generation and formulate the whole procedure as a bilevel optimization, which does not require any rule-based design. We integrate the proposed training procedure with several Matrix Factorization (MF)- and Graph Neural Network (GNN)-based recommendation models, demonstrating the compatibility of our framework. Via a comparison using three real-world datasets with many state-of-the-art methods, we show that our proposed method outperforms the best existing models by 3-21\% in terms of Recall@k for the top-k recommendation.
• Abstract（参考訳）: インプシットフィードバックは、現実のシステムでの利用性とアクセシビリティのためにパーソナライズされたレコメンデーションサービスを開発するために頻繁に使用される。 このような情報を効果的に活用するために、多くの研究は、構築されたトレーニングトリプレット(ユーザ、ポジティブアイテム、ネガティブアイテム)のペアワイズランキング手法を採用し、ユーザごとにポジティブアイテムとネガティブアイテムを区別することを目指している。 しかし、これらの手法のほとんどはトレーニングトリプレットを等しく扱うため、異なる正と負の項目の微妙な違いを無視する。 一方で、ユーザの行動の補助情報(例えば、生活時間)を利用して、この微妙な違いを捉えている作品もあるが、そのような補助情報を得るのは困難である。 上記の問題を緩和するために,三重項の重要度を適応的に学習する三重項重要度学習(TIL)という新しい学習フレームワークを提案する。 重要スコア生成のための2つの戦略を考案し、ルールベースの設計を必要としない二段階最適化として手順全体を定式化する。 提案手法をいくつかの行列因子化(MF)モデルとグラフニューラルネットワーク(GNN)ベースのレコメンデーションモデルと統合し,フレームワークの互換性を実証する。 提案手法は,3つの実世界のデータセットと多数の最先端手法との比較により,トップkレコメンデーションのRecall@kにおいて,最高の既存モデルよりも3～21倍高い性能を示した。

関連論文リスト

• Dual Test-time Training for Out-of-distribution Recommender System [91.15209066874694]
  DT3ORと呼ばれるOODレコメンデーションのための新しいDual Test-Time-Trainingフレームワークを提案する。 DT3ORでは、テスト期間中にモデル適応機構を導入し、リコメンデーションモデルを慎重に更新する。 我々の知る限りでは、テストタイムトレーニング戦略を通じてOODレコメンデーションに対処する最初の研究である。
  論文  参考訳（メタデータ） (2024-07-22T13:27:51Z)
• Improving Content Recommendation: Knowledge Graph-Based Semantic Contrastive Learning for Diversity and Cold-Start Users [5.224122150536595]
  本稿では,複数タスクのハイブリッド学習手法を提案する。 我々のアプローチは、テキストからの意味情報を活用することにより、知識グラフ内のエンティティ間の関係をよりよく理解することを可能にする。
  論文  参考訳（メタデータ） (2024-03-27T15:11:00Z)
• Improving One-class Recommendation with Multi-tasking on Various Preference Intensities [1.8416014644193064]
  一流のレコメンデーションでは、ユーザの暗黙のフィードバックに基づいてレコメンデーションを行う必要があります。 暗黙的なフィードバックから各信号の様々な好み強度を考慮に入れたマルチタスクフレームワークを提案する。 提案手法は,3つの大規模実世界のベンチマークデータセットに対して,最先端の手法よりも大きなマージンで性能を向上する。
  論文  参考訳（メタデータ） (2024-01-18T18:59:55Z)
• Feature Decoupling-Recycling Network for Fast Interactive Segmentation [79.22497777645806]
  近年のインタラクティブセグメンテーション手法では,入力としてソースイメージ,ユーザガイダンス,従来予測されていたマスクを反復的に取り込んでいる。 本稿では,本質的な相違点に基づいてモデリングコンポーネントを分離するFDRN(Feature Decoupling-Recycling Network)を提案する。
  論文  参考訳（メタデータ） (2023-08-07T12:26:34Z)
• On Modality Bias Recognition and Reduction [70.69194431713825]
  マルチモーダル分類の文脈におけるモダリティバイアス問題について検討する。 本稿では,各ラベルの特徴空間を適応的に学習するプラグアンドプレイ損失関数法を提案する。 本手法は, ベースラインに比べ, 顕著な性能向上を実現している。
  論文  参考訳（メタデータ） (2022-02-25T13:47:09Z)
• Active Learning with Pseudo-Labels for Multi-View 3D Pose Estimation [18.768030475943213]
  マルチビュー環境での3次元ポーズ推定問題に対するアクティブラーニングの改良を行った。 既存の単一ビューAL戦略を効率的に拡張できるフレームワークを開発する。 我々は,自己学習の形式である予測擬似ラベルを組み込むことにより,さらなる性能向上を示す。
  論文  参考訳（メタデータ） (2021-12-27T14:34:25Z)
• Revisiting SVD to generate powerful Node Embeddings for Recommendation Systems [3.388509725285237]
  ユーザとアイテムの生成を埋め込むために,隣接行列の特異値分解(SVD)を再検討する。 これらの埋め込みの上に2層ニューラルネットワークを使用して、ユーザとイテムのペア間の関係を学習する。 GRLにおける高次学習の成功に触発されて,SVDの2ホップ隣人を含む手法の拡張を提案する。
  論文  参考訳（メタデータ） (2021-10-05T20:41:21Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)
• S^3-Rec: Self-Supervised Learning for Sequential Recommendation with Mutual Information Maximization [104.87483578308526]
  本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。 そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。 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、既存の最先端手法よりも提案手法が優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-18T11:44:10Z)

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。