論文の概要: FusionDeepMF: A Dual Embedding based Deep Fusion Model for
Recommendation
- arxiv url: http://arxiv.org/abs/2210.05338v1
- Date: Tue, 11 Oct 2022 11:00:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 17:41:09.007578
- Title: FusionDeepMF: A Dual Embedding based Deep Fusion Model for
Recommendation
- Title（参考訳）: FusionDeepMF: Recommendationのためのデュアル埋め込みに基づくディープフュージョンモデル
- Authors: Supriyo Mandal and Abyayananda Maiti
- Abstract要約: 本稿では,FusionDeepMFという新しい深層融合モデルを提案する。
オンラインレビューデータセットの実験は、FusionDeepMFが他のベースラインアプローチと比較して驚くほど未来的であることを証明している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traditional Collaborative Filtering (CF) based methods are applied to
understand the personal preferences of users/customers for items or products
from the rating matrix. Usually, the rating matrix is sparse in nature. So
there are some improved variants of the CF method that apply the increasing
amount of side information to handle the sparsity problem. Only linear kernel
or only non-linear kernel is applied in most of the available
recommendation-related work to understand user-item latent feature embeddings
from data. Only linear kernel or only non-linear kernel is not sufficient to
learn complex user-item features from side information of users. Recently, some
researchers have focused on hybrid models that learn some features with
non-linear kernels and some other features with linear kernels. But it is very
difficult to understand which features can be learned accurately with linear
kernels or with non-linear kernels. To overcome this problem, we propose a
novel deep fusion model named FusionDeepMF and the novel attempts of this model
are i) learning user-item rating matrix and side information through linear and
non-linear kernel simultaneously, ii) application of a tuning parameter
determining the trade-off between the dual embeddings that are generated from
linear and non-linear kernels. Extensive experiments on online review datasets
establish that FusionDeepMF can be remarkably futuristic compared to other
baseline approaches. Empirical evidence also shows that FusionDeepMF achieves
better performances compared to the linear kernels of Matrix Factorization (MF)
and the non-linear kernels of Multi-layer Perceptron (MLP).
- Abstract（参考訳）: 従来のコラボレーティブ・フィルタリング(CF)に基づく手法は、評価行列からアイテムや製品に対するユーザ/顧客個人の好みを理解するために用いられる。
通常、評価行列は自然界ではスパースである。
したがって、疎度問題に対処する側情報を増大させるCF法の改良版がいくつか存在する。
線形カーネルのみまたは非線形カーネルのみが、データからのユーザ・イテム遅延機能埋め込みを理解するために利用可能なレコメンデーション関連の作業の多くに適用される。
線形カーネルや非線形カーネルだけが、ユーザのサイド情報から複雑なユーザイテム機能を学ぶのに十分ではない。
近年,線形でないカーネルの機能を学習するハイブリッドモデルや,線形カーネルの他の機能に注目する研究者もいる。
しかし、どの機能が線形カーネルや非線形カーネルで正確に学習できるかを理解するのは難しい。
この問題を解決するためにFusionDeepMFという新しい深層核融合モデルを提案し,その新しい試みについて述べる。
一 線形及び非線形カーネルによるユーザ項目の格付け行列及びサイド情報を同時に学習すること。
二 線形核及び非線形核から生成される二重埋め込み間のトレードオフを決定する調整パラメータの適用
オンラインレビューデータセットに関する大規模な実験は、FusionDeepMFが他のベースラインアプローチと比較して驚くほど未来的であることを証明している。
また、MF(Matrix Factorization)の線形カーネルやMLP(Multi-layer Perceptron)の非線形カーネルと比較すると、FusionDeepMFは優れた性能を発揮することが実証された。
関連論文リスト
- Kernel-based retrieval models for hyperspectral image data optimized with Kernel Flows [0.0]
カーネルベースの統計手法は効率的であるが、その性能はカーネルパラメータの選択に大きく依存する。
K-PCR(Kernel principal Component Regression)を最適化し,KF-PLSとともにテストするための新しいKF型アプローチを提案する。
両手法は2つのハイパースペクトルリモートセンシングデータセットを用いて非線形回帰手法に対してベンチマークを行う。
論文 参考訳（メタデータ） (2024-11-12T13:54:13Z) - Kernel Alignment for Unsupervised Feature Selection via Matrix Factorization [8.020732438595905]
教師なしの特徴選択は、いわゆる次元の呪いを和らげるために有効であることが証明されている。
多くの既存行列分解に基づく教師なし特徴選択法は、サブスペース学習に基づいて構築されている。
本稿では,カーネル関数とカーネルアライメントを統合したモデルを構築する。
これにより、線形および非線形の類似情報を学習し、最適なカーネルを自動的に生成することができる。
論文 参考訳（メタデータ） (2024-03-13T20:35:44Z) - Multilinear Kernel Regression and Imputation via Manifold Learning [5.482532589225551]
MultiL-KRIMは、空間の直感的な概念に基づいて構築され、ポイントクラウドの隣人(回帰者)間の協調を損失関数のデータモデリング用語に直接組み込む。
2つの重要なアプリケーションドメインはMultiL-KRIMの機能を示す: 時間変化グラフ信号(TVGS)リカバリと、高速な動的磁気共鳴イメージング(dMRI)データの再構成である。
論文 参考訳（メタデータ） (2024-02-06T02:50:42Z) - RFFNet: Large-Scale Interpretable Kernel Methods via Random Fourier Features [3.0079490585515347]
RFFNetは1次最適化によってカーネルの関連性をリアルタイムで学習するスケーラブルな手法である。
提案手法はメモリフットプリントが小さく,実行時,予測誤差が低く,関連する特徴を効果的に識別できることを示す。
私たちは、Scikit-learn標準APIと結果を完全に再現するためのコードに準拠した、効率的でPyTorchベースのライブラリをユーザに提供します。
論文 参考訳（メタデータ） (2022-11-11T18:50:34Z) - Linear, or Non-Linear, That is the Question! [11.999419678052186]
近年, 線形埋め込み伝播は非線形埋め込み伝播よりも精度が高いことが判明した。
本稿では,HMLET(Hybrid Method of Linear and non-linEar collaborative filTering method)を提案する。
提案モデルは3つの公開ベンチマークデータセットで最高の精度が得られる。
論文 参考訳（メタデータ） (2021-11-14T07:56:10Z) - Random Features for the Neural Tangent Kernel [57.132634274795066]
完全接続型ReLUネットワークのニューラルタンジェントカーネル(NTK)の効率的な特徴マップ構築を提案する。
得られた特徴の次元は、理論と実践の両方で比較誤差境界を達成するために、他のベースライン特徴マップ構造よりもはるかに小さいことを示しています。
論文 参考訳（メタデータ） (2021-04-03T09:08:12Z) - Kernelized Classification in Deep Networks [49.47339560731506]
本稿では,ディープネットワークのためのカーネル分類層を提案する。
訓練中のSoftmaxクロスエントロピー損失関数のカーネルトリックを用いて非線形分類層を提唱する。
提案する非線形分類層は,複数のデータセットやタスクに対して有用であることを示す。
論文 参考訳（メタデータ） (2020-12-08T21:43:19Z) - Federated Doubly Stochastic Kernel Learning for Vertically Partitioned
Data [93.76907759950608]
本稿では,垂直分割データに対する2倍のカーネル学習アルゴリズムを提案する。
本稿では,FDSKLがカーネルを扱う場合,最先端のフェデレーション学習手法よりもはるかに高速であることを示す。
論文 参考訳（メタデータ） (2020-08-14T05:46:56Z) - Bayesian Sparse Factor Analysis with Kernelized Observations [67.60224656603823]
多視点問題は潜在変数モデルに直面することができる。
高次元問題と非線形問題は伝統的にカーネルメソッドによって扱われる。
両アプローチを単一モデルにマージすることを提案する。
論文 参考訳（メタデータ） (2020-06-01T14:25:38Z) - Multi-Objective Matrix Normalization for Fine-grained Visual Recognition [153.49014114484424]
双線形プールは細粒度視覚認識(FGVC)において大きな成功を収める
近年,行列パワー正規化は双線形特徴量において2次情報を安定化させることができることが示されている。
両線形表現を同時に正規化できる効率的な多目的行列正規化法(MOMN)を提案する。
論文 参考訳（メタデータ） (2020-03-30T08:40:35Z) - Improved guarantees and a multiple-descent curve for Column Subset
Selection and the Nystr\"om method [76.73096213472897]
我々は,データ行列のスペクトル特性を利用して近似保証を改良する手法を開発した。
我々のアプローチは、特異値減衰の既知の速度を持つデータセットのバウンダリが大幅に向上する。
RBFパラメータを変更すれば,改良された境界線と多重発振曲線の両方を実データセット上で観測できることが示される。
論文 参考訳（メタデータ） (2020-02-21T00:43:06Z)
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。