論文の概要: Preference or Intent? Double Disentangled Collaborative Filtering
- arxiv url: http://arxiv.org/abs/2305.11084v1
- Date: Thu, 18 May 2023 16:13:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-19 14:07:50.876901
- Title: Preference or Intent? Double Disentangled Collaborative Filtering
- Title（参考訳）: 優先か、意図か?
ダブルディスタングル協調フィルタ
- Authors: Chao Wang, Hengshu Zhu, Dazhong Shen, Wei wu, Hui Xiong
- Abstract要約: 従来の協調フィルタリング手法では、意図と好みの要素は、通常モデリングプロセスで絡み合わされる。
個人化されたレコメンデーションのための2次元表現学習手法であるDouble Disentangled Collaborative Filtering (DDCF)を提案する。
- 参考スコア（独自算出の注目度）: 34.63377358888368
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: People usually have different intents for choosing items, while their
preferences under the same intent may also different. In traditional
collaborative filtering approaches, both intent and preference factors are
usually entangled in the modeling process, which significantly limits the
robustness and interpretability of recommendation performances. For example,
the low-rating items are always treated as negative feedback while they
actually could provide positive information about user intent. To this end, in
this paper, we propose a two-fold representation learning approach, namely
Double Disentangled Collaborative Filtering (DDCF), for personalized
recommendations. The first-level disentanglement is for separating the
influence factors of intent and preference, while the second-level
disentanglement is performed to build independent sparse preference
representations under individual intent with limited computational complexity.
Specifically, we employ two variational autoencoder networks, intent
recognition network and preference decomposition network, to learn the intent
and preference factors, respectively. In this way, the low-rating items will be
treated as positive samples for modeling intents while the negative samples for
modeling preferences. Finally, extensive experiments on three real-world
datasets and four evaluation metrics clearly validate the effectiveness and the
interpretability of DDCF.
- Abstract（参考訳）: 人は通常、アイテムを選択する意図が異なるが、同じ意図の下での好みも異なることがある。
従来の協調フィルタリング手法では、意図と嗜好の両方の要素がモデリングプロセスに絡まっており、レコメンデーションパフォーマンスの堅牢性と解釈可能性を大幅に制限する。
例えば、評価の低い項目は常にネガティブなフィードバックとして扱われますが、実際にはユーザの意図に関するポジティブな情報を提供することができます。
そこで本稿では,Double Disentangled Collaborative Filtering (DDCF) という,パーソナライズされたレコメンデーションのための2次元表現学習手法を提案する。
第1レベルの偏角は意図と選好の影響因子を分離するために行われ、第2レベルの偏角は計算の複雑さが制限された個々の意図の下で独立なスパースな選好表現を構築するために行われる。
具体的には,2つの変分オートエンコーダネットワーク,意図認識ネットワーク,選好分解ネットワークを用いて,それぞれ意図と選好要因を学習する。
このように、低次の項目はモデリング意図の正のサンプルとして扱われ、一方、モデリング嗜好の負のサンプルとして扱われる。
最後に、実世界の3つのデータセットと4つの評価指標に関する広範な実験により、DDCFの有効性と解釈可能性を明確に検証した。
関連論文リスト
- ComPO: Community Preferences for Language Model Personalization [122.54846260663922]
ComPOは、言語モデルにおける好みの最適化をパーソナライズする手法である。
ComPRedはRedditからコミュニティレベルの好みを持った質問応答データセットです。
論文 参考訳（メタデータ） (2024-10-21T14:02:40Z) - Diverging Preferences: When do Annotators Disagree and do Models Know? [92.24651142187989]
我々は,4つのハイレベルクラスにまたがる10のカテゴリにまたがる相違点の分類法を開発した。
意見の相違の大部分は、標準的な報酬モデリングアプローチに反対している。
本研究は,選好の変化を識別し,評価とトレーニングへの影響を緩和する手法を開発する。
論文 参考訳（メタデータ） (2024-10-18T17:32:22Z) - Exploring the Individuality and Collectivity of Intents behind Interactions for Graph Collaborative Filtering [9.740376003100437]
本稿では,BIGCF (Bilateral Intent-Guided Graph Collaborative Filtering) に指定された新しい推薦フレームワークを提案する。
具体的には、因果的視点からユーザとイテムの相互作用を詳しく調べ、個別の意図の概念を提示する。
暗黙的なフィードバックの空間性に対抗するため、ユーザとアイテムの特徴分布はガウスベースのグラフ生成戦略を介して符号化される。
論文 参考訳（メタデータ） (2024-05-15T02:31:26Z) - Evaluating the Fairness of Discriminative Foundation Models in Computer
Vision [51.176061115977774]
本稿では,CLIP (Contrastive Language-Pretraining) などの差別基盤モデルのバイアス評価のための新しい分類法を提案する。
そして、これらのモデルにおけるバイアスを緩和するための既存の手法を分類学に関して体系的に評価する。
具体的には,ゼロショット分類,画像検索,画像キャプションなど,OpenAIのCLIPとOpenCLIPモデルをキーアプリケーションとして評価する。
論文 参考訳（メタデータ） (2023-10-18T10:32:39Z) - Towards Explainable Collaborative Filtering with Taste Clusters Learning [43.4512681951459]
協調フィルタリング(CF)は、リコメンダシステムにおいて広く使われ、効果的な手法である。
レコメンデーションモデルに説明可能性を追加することは、意思決定プロセスにおける信頼を高めるだけでなく、複数のメリットも得る。
本稿では,解釈可能なクラスタ・ラーニングを生かした,クリーンで効果的なECF(Explainable Collaborative Filtering)モデルを提案する。
論文 参考訳（メタデータ） (2023-04-27T03:08:15Z) - Pacos: Modeling Users' Interpretable and Context-Dependent Choices in
Preference Reversals [8.041047797530808]
我々は,ユーザの適応重み,イテム間比較,表示位置の3つの要因を同定した。
3つの要因を同時に扱うための統合フレームワークとして,Pacosというコンテキスト依存の嗜好モデルを提案する。
実験の結果,提案手法は,ユーザの選択を予測するための先行作業よりも優れた性能を示した。
論文 参考訳（メタデータ） (2023-03-10T01:49:56Z) - Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback
based Recommendation [59.183016033308014]
本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。
提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
論文 参考訳（メタデータ） (2021-05-16T08:06:22Z) - Bootstrapping User and Item Representations for One-Class Collaborative
Filtering [24.30834981766022]
ワンクラスの協調フィルタリング(OCCF)は、ポジティブに関連があるがまだ相互作用していないユーザーとアイテムのペアを特定することです。
本論文では,否定的なサンプリングを必要としない新しいOCCFフレームワークであるBUIRを提案する。
論文 参考訳（メタデータ） (2021-05-13T14:24:13Z) - Disentangled Graph Collaborative Filtering [100.26835145396782]
Disentangled Graph Collaborative Filtering (DGCF)は、インタラクションデータからユーザとアイテムの情報表現を学ぶための新しいモデルである。
ユーザ・イテムのインタラクション毎に意図を超越した分布をモデル化することにより、インテント・アウェアなインタラクショングラフと表現を反復的に洗練する。
DGCFはNGCF、DisenGCN、MacridVAEといった最先端モデルよりも大幅に改善されている。
論文 参考訳（メタデータ） (2020-07-03T15:37:25Z)
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。