Fugu-MT 論文翻訳(概要): Diversely Regularized Matrix Factorization for Accurate and Aggregately Diversified Recommendation

論文の概要: Diversely Regularized Matrix Factorization for Accurate and Aggregately Diversified Recommendation

arxiv url: http://arxiv.org/abs/2211.01328v1
Date: Wed, 19 Oct 2022 08:49:39 GMT
ステータス: 処理完了
システム内更新日: 2022-11-06 15:03:57.467073
Title: Diversely Regularized Matrix Factorization for Accurate and Aggregately Diversified Recommendation
Title（参考訳）: 高精度かつ凝集度の高い勧告のための多変数正則行列分解法
Authors: Jongjin Kim, Hyunsik Jeon, Jaeri Lee, and U Kang
Abstract要約: DivMF(Diversely Regularized Matrix Factorization)は、多彩な推薦のための新しい行列分解法である。我々は,DivMFが総合的に多様化した推薦において最先端の性能を達成することを示す。
参考スコア（独自算出の注目度）: 15.483426620593013
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: When recommending personalized top-$k$ items to users, how can we recommend the items diversely to them while satisfying their needs? Aggregately diversified recommender systems aim to recommend a variety of items across whole users without sacrificing the recommendation accuracy. They increase the exposure opportunities of various items, which in turn increase potential revenue of sellers as well as user satisfaction. However, it is challenging to tackle aggregate-level diversity with a matrix factorization (MF), one of the most common recommendation model, since skewed real world data lead to skewed recommendation results of MF. In this work, we propose DivMF (Diversely Regularized Matrix Factorization), a novel matrix factorization method for aggregately diversified recommendation. DivMF regularizes a score matrix of an MF model to maximize coverage and entropy of top-$k$ recommendation lists to aggregately diversify the recommendation results. We also propose an unmasking mechanism and carefully designed mi i-batch learning technique for accurate and efficient training. Extensive experiments on real-world datasets show that DivMF achieves the state-of-the-art performance in aggregately diversified recommendation.
Abstract（参考訳）: ユーザに対してパーソナライズされたトップ$アイテムを推奨する場合、ニーズを満たしながらアイテムを多様に推奨するにはどうすればよいのでしょう? 総合的に多様化したレコメンダシステムは、レコメンデーション精度を犠牲にすることなく、ユーザ全体にわたってさまざまな項目を推奨することを目的としている。さまざまなアイテムの露出機会を増やし、それによって販売者の潜在的な収益とユーザの満足度を高める。しかし,実世界のデータを歪ませた結果がmfの歪んだ推薦結果につながるため,最も一般的なレコメンデーションモデルの一つである行列因子化(mf)を用いて,総合的な多様性に取り組むことは困難である。本研究では,新しい行列因子分解法である divmf (diversely regularized matrix factorization) を提案する。 DivMFはMFモデルのスコア行列を正規化し、トップ$k$レコメンデーションリストのカバレッジとエントロピーを最大化し、レコメンデーション結果を総合的に多様化させる。また,正確かつ効率的なトレーニングのために,unmasking機構と注意深く設計したmi i-batch学習手法を提案する。実世界のデータセットに関する広範囲な実験は、divmfが総合的なレコメンデーションで最先端のパフォーマンスを達成していることを示している。

関連論文リスト

Comprehensive Evaluation of Matrix Factorization Models for Collaborative Filtering Recommender Systems [42.362388367152256]
行列分解モデルは、現在の商用共同フィルタリングRecommender Systemsの中核である。テストでは、予測、順序付きリストと順序なしリストの推薦、新規性、多様性など、さまざまな精度と精度の高い品質対策がテストされている。
論文参考訳（メタデータ） (2024-10-23T08:01:07Z)
Preference Diffusion for Recommendation [50.8692409346126]
DMベースのレコメンデータに適した最適化対象であるPreferDiffを提案する。 PreferDiffは、BPRをログライクなランキング目標に変換することで、ユーザの好みをよりよく把握する。これはDMベースのレコメンデーション向けに特別に設計された、パーソナライズされたランキングの損失である。
論文参考訳（メタデータ） (2024-10-17T01:02:04Z)
Large Language Model Empowered Embedding Generator for Sequential Recommendation [57.49045064294086]
大言語モデル(LLM)は、その人気に関係なく、項目間の意味的関係を理解する能力を持つ。 LLMEmbは、LCMを利用してアイテム埋め込みを作成し、シークエンシャル・レコメンダ・システムの性能を高める革新的な技術である。
論文参考訳（メタデータ） (2024-09-30T03:59:06Z)
CF Recommender System Based on Ontology and Nonnegative Matrix Factorization (NMF) [0.0]
この作業は、レコメンダシステムのデータ空間と精度の問題に対処する。実装されたアプローチは、CF提案の空白度を効果的に削減し、その正確性を改善し、より関連性の高い項目を推奨する。
論文参考訳（メタデータ） (2024-05-31T14:50:53Z)
A Preference-oriented Diversity Model Based on Mutual-information in Re-ranking for E-commerce Search [11.49911967350851]
本稿では,相互情報(PODM-MI)に基づく嗜好指向の多様性モデルを提案する。 PODM-MIは、再ランクプロセスにおける正確性と多様性の両方を考慮する。我々は,PODM-MIをeコマース検索プラットフォームに導入することに成功している。
論文参考訳（メタデータ） (2024-05-24T13:03:34Z)
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)
Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
論文参考訳（メタデータ） (2022-07-04T17:49:25Z)
Choosing the Best of Both Worlds: Diverse and Novel Recommendations through Multi-Objective Reinforcement Learning [68.45370492516531]
本稿では,Recommender Systems (RS) 設定のための拡張多目的強化学習(SMORL)を紹介する。 SMORLエージェントは、標準レコメンデーションモデルを拡張し、RLレイヤーを追加し、3つの主要な目的(正確性、多様性、新しいレコメンデーション)を同時に満たすように強制する。実世界の2つのデータセットに対する実験結果から,集約的多様性の顕著な増加,精度の適度な向上,レコメンデーションの反復性の低下,および相補的目的としての多様性と新規性の強化の重要性が示された。
論文参考訳（メタデータ） (2021-10-28T13:22:45Z)
Sample-Rank: Weak Multi-Objective Recommendations Using Rejection Sampling [0.5156484100374059]
本稿では,マルチゴールサンプリングとユーザ関連度(Sample-Rank)のランク付けによるマーケットプレースの多目的目標への推薦手法を提案する。提案手法の新規性は,望まれるマルチゴール分布からサンプリングするMOレコメンデーション問題を低減し,プロダクションフレンドリーな学習-ランクモデルを構築することである。
論文参考訳（メタデータ） (2020-08-24T09:17:18Z)
Using Stable Matching to Optimize the Balance between Accuracy and Diversity in Recommendation [3.0938904602244355]
多くのレコメンデーションドメインにおいて、集約的多様性(あるいはカタログカバレッジ)の増加はシステムレベルの重要な目標である。集約の多様性を高める試みは、エンドユーザの推奨精度を低下させる。本稿では,ユーザとアイテムの両ユーティリティを考慮した,双方向のポストプロセッシング手法を提案する。
論文参考訳（メタデータ） (2020-06-05T22:12:25Z)
Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
論文参考訳（メタデータ） (2020-05-21T12:28:59Z)

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。