論文の概要: Cross-domain recommendation via user interest alignment

• arxiv url: http://arxiv.org/abs/2301.11467v1
• Date: Thu, 26 Jan 2023 23:54:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-30 16:48:26.783606
• Title: Cross-domain recommendation via user interest alignment
• Title（参考訳）: ユーザ関心調整によるクロスドメインレコメンデーション
• Authors: Chuang Zhao, Hongke Zhao, Ming He, Jian Zhang and Jianping Fan
• Abstract要約: クロスドメインレコメンデーションは、複数のドメインからの知識を活用して、従来のレコメンデーションシステムにおけるデータの分散性とコールドスタートの問題を軽減することを目的としている。 このアプローチの一般的な実践は、各ドメインに個別にユーザ埋め込みをトレーニングし、それらを平易な方法で集約することです。 本稿では,2つのドメインの推薦性能を改善するために,新しいドメイン間推薦フレームワークであるCOASTを提案する。
• 参考スコア（独自算出の注目度）: 20.387327479445773
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-domain recommendation aims to leverage knowledge from multiple domains to alleviate the data sparsity and cold-start problems in traditional recommender systems. One popular paradigm is to employ overlapping user representations to establish domain connections, thereby improving recommendation performance in all scenarios. Nevertheless, the general practice of this approach is to train user embeddings in each domain separately and then aggregate them in a plain manner, often ignoring potential cross-domain similarities between users and items. Furthermore, considering that their training objective is recommendation task-oriented without specific regularizations, the optimized embeddings disregard the interest alignment among user's views, and even violate the user's original interest distribution. To address these challenges, we propose a novel cross-domain recommendation framework, namely COAST, to improve recommendation performance on dual domains by perceiving the cross-domain similarity between entities and aligning user interests. Specifically, we first construct a unified cross-domain heterogeneous graph and redefine the message passing mechanism of graph convolutional networks to capture high-order similarity of users and items across domains. Targeted at user interest alignment, we develop deep insights from two more fine-grained perspectives of user-user and user-item interest invariance across domains by virtue of affluent unsupervised and semantic signals. We conduct intensive experiments on multiple tasks, constructed from two large recommendation data sets. Extensive results show COAST consistently and significantly outperforms state-of-the-art cross-domain recommendation algorithms as well as classic single-domain recommendation methods.
• Abstract（参考訳）: クロスドメインレコメンデーションは、複数のドメインからの知識を活用して、従来のレコメンデーションシステムにおけるデータの分散性とコールドスタートの問題を軽減することを目的としている。 一般的なパラダイムのひとつは、重複するユーザ表現を使用してドメイン接続を確立することで、すべてのシナリオにおけるレコメンデーションパフォーマンスを改善することだ。 このアプローチの一般的な実践は、各ドメインへのユーザ埋め込みを個別にトレーニングし、それらを平易な方法で集約することであり、ユーザとアイテム間の潜在的なドメイン間の類似性を無視していることが多い。 さらに、特定の正規化を伴わない推奨タスク指向のトレーニング目標であることを考えると、最適化埋め込みはユーザの視点間の関心のアライメントを無視し、元の関心分布にも違反する。 これらの課題に対処するために、エンティティ間のドメイン間の類似性を認識し、ユーザ関心を整合させることにより、二重ドメインにおける推奨性能を改善するための新しいドメイン間推薦フレームワークであるCOASTを提案する。 具体的には、まず、統一されたクロスドメイン異種グラフを構築し、グラフ畳み込みネットワークのメッセージパッシングメカニズムを再定義し、ドメイン間のユーザとアイテムの高次類似性をキャプチャする。 ユーザ関心のアライメントを目標とし、豊かな教師なしおよびセマンティックな信号によって、ドメイン間のユーザ関心の分散とユーザ関心の2つのよりきめ細かな視点から深い洞察を深める。 2つの大きなレコメンデーションデータセットから構築した複数のタスクに対して集中的な実験を行う。 COASTは、最先端のクロスドメインレコメンデーションアルゴリズムや古典的な単一ドメインレコメンデーション手法よりも一貫して、はるかに優れています。

関連論文リスト

• Coherence-guided Preference Disentanglement for Cross-domain Recommendations [71.4198675855171]
  本研究では,共有項目属性を明示的に抽出し,共有ユーザの好みを学習するためのコヒーレンス誘導型参照不整合(CoPD)手法を提案する。 実世界のデータセットで行った実験は、既存の競争ベースラインよりも提案したCoPDの優れた性能を示し、ドメイン間の推薦性能を向上させる効果を強調した。
  論文  参考訳（メタデータ） (2024-10-27T20:21:14Z)
• Cross-domain Transfer of Valence Preferences via a Meta-optimization Approach [17.545983294377958]
  CVPMはメタラーニングと自己教師型学習のハイブリッドアーキテクチャとして、ドメイン間の関心伝達を形式化する。 ユーザの好みに対する深い洞察を得て、差別化されたエンコーダを使って分布を学習する。 特に、各ユーザのマッピングを共通の変換とパーソナライズされたバイアスの2つの部分として扱い、そこでは、パーソナライズされたバイアスを生成するネットワークがメタラーナーによって出力される。
  論文  参考訳（メタデータ） (2024-06-24T10:02:24Z)
• Mixed Attention Network for Cross-domain Sequential Recommendation [63.983590953727386]
  ドメイン固有・クロスドメイン情報を抽出するために,ローカル・グローバル・アテンション・モジュールを用いた混在注意ネットワーク(MAN)を提案する。 2つの実世界のデータセットに対する実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2023-11-14T16:07:16Z)
• Exploiting Graph Structured Cross-Domain Representation for Multi-Domain Recommendation [71.45854187886088]
  マルチドメインレコメンデータシステムは、クロスドメイン表現学習とポジティブな知識伝達の恩恵を受ける。 我々はMAGRecと呼ばれる手法のコンテキスト情報として時間的ドメイン内相互作用とドメイン間相互作用を用いる。 我々は、MAGRecが最先端の手法を一貫して上回る様々なシナリオで、公開データセットで実験を行う。
  論文  参考訳（メタデータ） (2023-02-12T19:51:32Z)
• A cross-domain recommender system using deep coupled autoencoders [77.86290991564829]
  クロスドメインレコメンデーションのために2つの新しい結合型オートエンコーダに基づくディープラーニング手法を提案する。 最初の方法は、ソースドメインとターゲットドメイン内のアイテムの固有表現を明らかにするために、一対のオートエンコーダを同時に学習することを目的としている。 第2の方法は,2つのオートエンコーダを用いてユーザとアイテム待ち行列を深く非線形に生成する,新たな共同正規化最適化問題に基づいて導出する。
  論文  参考訳（メタデータ） (2021-12-08T15:14:26Z)
• RecGURU: Adversarial Learning of Generalized User Representations for Cross-Domain Recommendation [19.61356871656398]
  ドメイン間のレコメンデーションは、従来のシーケンシャルなレコメンデーションシステムにおけるデータスパリティの問題を軽減するのに役立つ。 本稿では,ドメイン間のユーザ情報を逐次レコメンデーションに組み込んだ汎用ユーザ表現(GUR)を生成するためのRecGURUアルゴリズムフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-19T08:41:06Z)
• Dual Metric Learning for Effective and Efficient Cross-Domain Recommendations [85.6250759280292]
  クロスドメインレコメンダーシステムは、消費者が異なるアプリケーションで有用なアイテムを識別するのを助けるためにますます価値があります。 既存のクロスドメインモデルは、通常、多くのオーバーラップユーザーを必要とするため、いくつかのアプリケーションでは取得が困難である。 本稿では,2つのドメイン間で情報を反復的に伝達する二元学習に基づく新しいクロスドメインレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2021-04-17T09:18:59Z)
• CATN: Cross-Domain Recommendation for Cold-Start Users via Aspect Transfer Network [49.35977893592626]
  コールドスタートユーザのためのアスペクト転送ネットワークによるクロスドメインレコメンデーションフレームワーク(CATN)を提案する。 CATNは、レビュー文書から各ユーザと各アイテムの複数のアスペクトを抽出し、注意機構を用いてドメイン間のアスペクト相関を学習する。 実世界のデータセットでは、提案したCATNは、評価予測精度の点でSOTAモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2020-05-21T10:05:19Z)

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。