論文の概要: Self-Supervised Interest Transfer Network via Prototypical Contrastive
Learning for Recommendation
- arxiv url: http://arxiv.org/abs/2302.14438v1
- Date: Tue, 28 Feb 2023 09:30:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-01 17:10:20.856533
- Title: Self-Supervised Interest Transfer Network via Prototypical Contrastive
Learning for Recommendation
- Title（参考訳）: 推薦型コントラスト学習による自己監督型利子移動ネットワーク
- Authors: Guoqiang Sun, Yibin Shen, Sijin Zhou, Xiang Chen, Hongyan Liu,
Chunming Wu, Chenyi Lei, Xianhui Wei, Fei Fang
- Abstract要約: クロスドメイン・レコメンデーションは近年、産業やアカデミックから注目を集めている。
自己監督的関心伝達ネットワーク(SITN)を用いたクロスドメインレコメンデーション手法を提案する。
1)インスタンス間コントラスト学習,2)インスタンス間コントラスト学習,である。
我々は,世界有数のeコマース企業から収集した公開データセットと大規模産業データセットについて広範な実験を行った。
- 参考スコア（独自算出の注目度）: 32.565226710636615
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cross-domain recommendation has attracted increasing attention from industry
and academia recently. However, most existing methods do not exploit the
interest invariance between domains, which would yield sub-optimal solutions.
In this paper, we propose a cross-domain recommendation method: Self-supervised
Interest Transfer Network (SITN), which can effectively transfer invariant
knowledge between domains via prototypical contrastive learning. Specifically,
we perform two levels of cross-domain contrastive learning: 1)
instance-to-instance contrastive learning, 2) instance-to-cluster contrastive
learning. Not only that, we also take into account users' multi-granularity and
multi-view interests. With this paradigm, SITN can explicitly learn the
invariant knowledge of interest clusters between domains and accurately capture
users' intents and preferences. We conducted extensive experiments on a public
dataset and a large-scale industrial dataset collected from one of the world's
leading e-commerce corporations. The experimental results indicate that SITN
achieves significant improvements over state-of-the-art recommendation methods.
Additionally, SITN has been deployed on a micro-video recommendation platform,
and the online A/B testing results further demonstrate its practical value.
Supplement is available at: https://github.com/fanqieCoffee/SITN-Supplement.
- Abstract（参考訳）: クロスドメインレコメンデーションは近年、産業やアカデミックから注目を集めている。
しかし、既存のほとんどの手法は、準最適解をもたらす領域間の関心の分散を利用していない。
本稿では,先駆的なコントラスト学習を通じてドメイン間の不変知識を効果的に伝達するクロスドメイン推薦手法である自己教師付き利子転送ネットワーク(sitn)を提案する。
具体的には、クロスドメイン・コントラスト学習の2つのレベルを実行する。
1)インスタンス間コントラスト学習
2)インスタンス間コントラスト学習。
それだけでなく、ユーザのマルチグラニュラリティやマルチビューの関心も考慮しています。
このパラダイムにより、SITNはドメイン間の関心クラスタの不変知識を明示的に学習し、ユーザの意図や好みを正確に捉えることができる。
我々は,世界有数のeコマース企業から収集した公開データセットと大規模産業データセットについて広範な実験を行った。
実験結果から,SITNは最先端のレコメンデーション手法よりも大幅に改善されていることが示唆された。
さらに、SITNはマイクロビデオレコメンデーションプラットフォームにデプロイされており、オンラインA/Bテストの結果はその実用的価値をさらに証明している。
Supplement は以下の https://github.com/fanqieCoffee/SITN-Supplement で利用可能である。
関連論文リスト
- EXIT: An EXplicit Interest Transfer Framework for Cross-Domain Recommendation [20.402006751823322]
クロスドメインレコメンデーションは、Meituanのような産業用アプリにかなりの関心を集めている。
提案する課題に対処するために, EXIT という,シンプルで効果的なExplicit Interest Transfer フレームワークを提案する。
論文 参考訳（メタデータ） (2024-07-29T15:52:09Z) - Investigating the potential of Sparse Mixtures-of-Experts for multi-domain neural machine translation [59.41178047749177]
トレーニング中に見られるさまざまなドメインのデータを扱うことができ、トレーニング中に見つからないドメインに対して堅牢な効率的なモデルを開発することを目的として、マルチドメインニューラルネットワーク翻訳に重点を置いている。
SMOE(Sparse Mixture-of-Experts)モデルは、効率的なモデルスケーリングを可能にするため、このタスクに適していると仮定する。
マルチドメインシナリオにおけるSMoEの有用性を検証するための一連の実験を行い、Transformerの簡単な幅スケーリングは、実際はよりシンプルで驚くほど効率的なアプローチであり、SMoEと同等の性能レベルに達することを発見した。
論文 参考訳（メタデータ） (2024-07-01T09:45:22Z) - 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) - Reinforcement Learning-enhanced Shared-account Cross-domain Sequential
Recommendation [38.70844108264403]
共有アカウント クロスドメインシークエンシャルレコメンデーション(SCSR)は、新たな課題である。
本稿では、基本クロスドメインレコメンデータと強化学習ベースドメインフィルタからなる強化学習ベースソリューション、すなわちRL-ISNを提案する。
提案手法の性能を評価するため,実世界の2つのデータセットについて広範な実験を行った。
論文 参考訳（メタデータ） (2022-06-16T11:06:32Z) - Variational Attention: Propagating Domain-Specific Knowledge for
Multi-Domain Learning in Crowd Counting [75.80116276369694]
群集カウントでは, 激しいラベル付けの問題により, 新しい大規模データセットを収集する難易度が知覚される。
マルチドメイン共同学習を活用し,DKPNet(Domain-specific Knowledge Propagating Network)を提案する。
主に、異なるドメインに対する注意分布を明示的にモデル化する、新しい変動注意法(VA)技術を提案する。
論文 参考訳（メタデータ） (2021-08-18T08:06:37Z) - Dual Attentive Sequential Learning for Cross-Domain Click-Through Rate
Prediction [76.98616102965023]
クロスドメインレコメンダシステムは、コールドスタートとスパシティの問題に対処するための強力な方法である。
本稿では,二元学習機構に基づくクロスドメインシーケンシャルなレコメンデーション手法を提案する。
論文 参考訳（メタデータ） (2021-06-05T01:21:21Z) - 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) - Transfer Learning via Contextual Invariants for One-to-Many Cross-Domain
Recommendation [19.106717948585445]
我々は、クロスドメイン学習のためのスケーラブルなニューラルネットワーク層トランスファーアプローチを開発した。
我々の重要な直感は、高密度領域とスパース領域で共有されるドメイン不変成分によるニューラルコラボレーティブフィルタリングを導くことです。
2つのパブリックデータセットと、Visaの大規模トランザクションデータセットに対して、我々のアプローチの有効性とスケーラビリティを示す。
論文 参考訳（メタデータ） (2020-05-21T05:51:15Z) - Mind the Gap: Enlarging the Domain Gap in Open Set Domain Adaptation [65.38975706997088]
オープンセットドメイン適応(OSDA)は、ターゲットドメインに未知のクラスが存在することを前提としている。
既存の最先端手法は、より大きなドメインギャップが存在する場合、かなりの性能低下を被ることを示す。
我々は、より大きなドメインギャップに特に対処するための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-08T14:20:24Z)
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。