論文の概要: SUPER-Rec: SUrrounding Position-Enhanced Representation for Recommendation

• arxiv url: http://arxiv.org/abs/2209.04154v1
• Date: Fri, 9 Sep 2022 07:24:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-12 12:57:37.283656
• Title: SUPER-Rec: SUrrounding Position-Enhanced Representation for Recommendation
• Title（参考訳）: Super-Rec:リコメンデーションのための位置強調表現
• Authors: Taejun Lim, Siqu Long, Josiah Poon, Soyeon Caren Han
• Abstract要約: 協調フィルタリング問題は一般に行列補完法に基づいて解決される。 本稿では,新しい位置強調型ユーザ/イテム表現トレーニングモデル SUPER-Rec を提案する。
• 参考スコア（独自算出の注目度）: 5.5362209010481855
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Collaborative filtering problems are commonly solved based on matrix completion techniques which recover the missing values of user-item interaction matrices. In a matrix, the rating position specifically represents the user given and the item rated. Previous matrix completion techniques tend to neglect the position of each element (user, item and ratings) in the matrix but mainly focus on semantic similarity between users and items to predict the missing value in a matrix. This paper proposes a novel position-enhanced user/item representation training model for recommendation, SUPER-Rec. We first capture the rating position in the matrix using the relative positional rating encoding and store the position-enhanced rating information and its user-item relationship to the fixed dimension of embedding that is not affected by the matrix size. Then, we apply the trained position-enhanced user and item representations to the simplest traditional machine learning models to highlight the pure novelty of our representation learning model. We contribute the first formal introduction and quantitative analysis of position-enhanced item representation in the recommendation domain and produce a principled discussion about our SUPER-Rec to the outperformed performance of typical collaborative filtering recommendation tasks with both explicit and implicit feedback.
• Abstract（参考訳）: ユーザの相互作用行列の欠落を回復する行列完備化技術に基づいて,協調フィルタリング問題の解法が一般的である。 行列において、評価位置は、与えられたユーザと評価されたアイテムを具体的に表す。 以前のマトリクス補完技術では、マトリクス内の各要素(ユーザ、アイテム、レーティング)の位置を無視する傾向があるが、主に、マトリクスの欠落値を予測するためにユーザとアイテム間の意味的類似性に注目している。 本稿では,新しい位置強調型ユーザ/イテム表現トレーニングモデル SUPER-Rec を提案する。 まず、相対的位置評価エンコーディングを用いて行列内の評価位置をキャプチャし、行列サイズの影響を受けない埋め込みの固定次元に対する位置強調評価情報とそのユーザ・イテム関係を記憶する。 次に、最も単純な機械学習モデルに、訓練された位置強調ユーザとアイテム表現を適用し、表現学習モデルの純粋新しさを強調する。 提案手法は,提案領域における位置強調項目表現の形式的導入と定量的分析を行い,従来の協調フィルタリング推薦タスクにおいて,明示的かつ暗黙的なフィードバックを伴って,性能向上に寄与する。

関連論文リスト

• Collaborative filtering based on nonnegative/binary matrix factorization [0.0]
  データを疎結合とする協調フィルタリングに適用可能な改良型NBMFアルゴリズムを提案する。 修正手法では、評価行列の未定格要素をマスキングし、協調フィルタリング性能を向上させる。
  論文  参考訳（メタデータ） (2024-10-14T11:10:15Z)
• Matryoshka Representation Learning for Recommendation [12.065963915376866]
  MRL4Rec(Mathryoshka representation learning for recommendation)を提案する。 ユーザとアイテムのベクターを漸進的に次元と重なり合うベクトル空間でマトリシカ表現に再構成し、ユーザの好みとアイテムの特徴を異なる階層レベルで明示的に表現する。 MRL4Recは、いくつかの実生活データセットにおいて、多くの最先端の競合より一貫して、実質的に優れることを示す実験である。
  論文  参考訳（メタデータ） (2024-06-11T16:34:21Z)
• MMGRec: Multimodal Generative Recommendation with Transformer Model [81.61896141495144]
  MMGRecは、マルチモーダルレコメンデーションに生成パラダイムを導入することを目指している。 まず,階層的な量子化手法であるGraph CF-RQVAEを考案し,各項目にRec-IDを割り当てる。 次に、Transformerベースのレコメンデータをトレーニングし、過去のインタラクションシーケンスに基づいて、ユーザが推奨するアイテムのRec-IDを生成する。
  論文  参考訳（メタデータ） (2024-04-25T12:11:27Z)
• AutoSeqRec: Autoencoder for Efficient Sequential Recommendation [39.65252473941165]
  本稿では,逐次レコメンデーションタスクに特化したインクリメンタルレコメンデーションモデルであるAutoSeqRecを提案する。 AutoSeqRecはオートエンコーダに基づいており、オートエンコーダアーキテクチャ内のエンコーダと3つのデコーダで構成されている。 総合的な評価によると、AutoSeqRecは、その堅牢性と効率性を示しながら、既存の手法よりも精度が高い。
  論文  参考訳（メタデータ） (2023-08-14T01:23:37Z)
• Graph Collaborative Signals Denoising and Augmentation for Recommendation [75.25320844036574]
  ユーザ・ユーザ・項目間の相関を組み込んだグラフ隣接行列を提案する。 ユーザ・ユーザ・イテム相関と項目・イテム相関が組み合わさることで,豊富なインタラクションと不十分なインタラクションを持つユーザのレコメンデーションが向上することを示す。
  論文  参考訳（メタデータ） (2023-04-06T19:43:37Z)
• Modeling Dynamic User Preference via Dictionary Learning for Sequential Recommendation [133.8758914874593]
  ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。 浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。 本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
  論文  参考訳（メタデータ） (2022-04-02T03:23:46Z)
• Learning to Recommend Using Non-Uniform Data [7.005458308454873]
  過去の購入やレビューに基づく製品のユーザの好みを学習することは、現代のレコメンデーションエンジンの基礎にある。 一部のユーザーは商品を購入したりレビューしたりする傾向があり、一部の製品はユーザーによって購入またはレビューされる傾向にある。 この一様でないパターンは多くの既存のレコメンデーションアルゴリズムのパワーを低下させる。
  論文  参考訳（メタデータ） (2021-10-21T16:17:40Z)
• The Stereotyping Problem in Collaboratively Filtered Recommender Systems [77.56225819389773]
  行列分解に基づく協調フィルタリングアルゴリズムは,ある種のステレオタイピングを誘導することを示す。 一般のユーザ層では、テキストセットの好みが反相関性がある場合、これらの項目は、ユーザーには推奨されない。 本稿では,各ユーザの多様な利害関係を捉えるために,代替的なモデリング修正を提案する。
  論文  参考訳（メタデータ） (2021-06-23T18:37:47Z)
• Adversarially-Trained Nonnegative Matrix Factorization [77.34726150561087]
  非負行列ファクタリゼーションの逆学習版を検討する。 我々の定式化では、攻撃者は与えられたデータ行列に有界ノルムの任意の行列を追加する。 辞書と係数行列を最適化するために, 逆学習に触発された効率的なアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2021-04-10T13:13:17Z)
• Towards Open-World Recommendation: An Inductive Model-based Collaborative Filtering Approach [115.76667128325361]
  推奨モデルは、基礎となるユーザの関心を効果的に見積もり、将来の行動を予測することができる。 2つの表現モデルを含む帰納的協調フィルタリングフレームワークを提案する。 本モデルでは,限られたトレーニングレーティングと新規の未確認ユーザを対象に,数ショットのユーザに対して有望なレコメンデーションを行う。
  論文  参考訳（メタデータ） (2020-07-09T14:31:25Z)
• Leveraging Cross Feedback of User and Item Embeddings with Attention for Variational Autoencoder based Collaborative Filtering [25.569930256022925]
  本稿では,VAEをベースとしたベイズ型MFフレームワークを提案する。 このフレームワークは、ユーザとアイテムのエンコーダへの埋め込みの相互フィードバックを反復的に行う。 現在再サンプリングされているユーザとアイテムの埋め込みに対して、行列係数化によってデータを再構築する。
  論文  参考訳（メタデータ） (2020-02-21T06:05:06Z)

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。