論文の概要: Cross-domain Recommender Systems via Multimodal Domain Adaptation
- arxiv url: http://arxiv.org/abs/2306.13887v3
- Date: Mon, 17 Feb 2025 08:44:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-18 14:02:39.009921
- Title: Cross-domain Recommender Systems via Multimodal Domain Adaptation
- Title(参考訳): マルチモーダルドメイン適応によるクロスドメインレコメンダシステム
- Authors: Adamya Shyam, Ramya Kamani, Venkateswara Rao Kagita, Vikas Kumar,
- Abstract要約: コラボレーティブ・フィルタリング(CF)は、レコメンダ・システムを構築するための最も顕著な実装戦略の1つです。
クロスドメインCFは、複数のドメインにまたがる共通のエンティティ(ユーザまたはアイテム)を見つけることで、データ疎結合の問題を軽減する。
本稿では,ドメイン間のエンティティの埋め込みを整合させるドメイン適応手法を提案する。
- 参考スコア(独自算出の注目度): 2.306402684958048
- License:
- Abstract: Collaborative Filtering (CF) has emerged as one of the most prominent implementation strategies for building recommender systems. The key idea is to exploit the usage patterns of individuals to generate personalized recommendations. CF techniques, especially for newly launched platforms, often face a critical issue known as the data sparsity problem, which greatly limits their performance. Cross-domain CF alleviates the problem of data sparsity by finding a common set of entities (users or items) across the domains, which then act as a conduit for knowledge transfer. Nevertheless, most real-world datasets are collected from different domains, so they often lack information about anchor points or reference information for entity alignment. This paper introduces a domain adaptation technique to align the embeddings of entities across domains. Our approach first exploits the available textual and visual information to independently learn a multi-view latent representation for each entity in the auxiliary and target domains. The different representations of the entity are then fused to generate the corresponding unified representation. A domain classifier is then trained to learn the embedding for the domain alignment by fixing the unified features as the anchor points. Experiments on \AS{four} publicly available benchmark datasets indicate the effectiveness of our proposed approach.
- Abstract(参考訳): コラボレーティブ・フィルタリング(CF)は、レコメンダ・システムを構築するための最も顕著な実装戦略の1つです。
鍵となるアイデアは、個人の使用パターンを利用してパーソナライズされたレコメンデーションを生成することだ。
CFテクニック、特に新しくローンチされたプラットフォームでは、データスパシティ問題として知られる重要な問題に直面し、パフォーマンスを著しく制限する。
クロスドメインCFは、複数のドメインにまたがる共通のエンティティ(ユーザまたはアイテム)を見つけることで、データ疎結合の問題を緩和し、知識伝達の導管として機能する。
それでも、現実世界のデータセットの多くは異なるドメインから収集されるため、アンカーポイントに関する情報やエンティティアライメントのための参照情報がないことが多い。
本稿では,ドメイン間のエンティティの埋め込みを整合させるドメイン適応手法を提案する。
提案手法は,まず利用可能なテキスト情報と視覚情報を利用して,補助ドメインと対象ドメインの各エンティティに対する多視点潜在表現を独立に学習する。
エンティティの異なる表現は融合され、対応する統一表現を生成する。
ドメイン分類器は、統一された特徴をアンカーポイントとして固定することで、ドメインアライメントの埋め込みを学ぶように訓練される。
As{four}公開ベンチマークデータセットの実験から,提案手法の有効性が示唆された。
関連論文リスト
- 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) - FedDCSR: Federated Cross-domain Sequential Recommendation via
Disentangled Representation Learning [17.497009723665116]
本稿では,不整合表現学習を用いたクロスドメインシーケンシャルレコメンデーションフレームワークであるFedDCSRを提案する。
本稿では,SRD(Inter-Intra Domain Sequence Expression Disentanglement)と呼ばれるアプローチを導入し,ユーザシークエンス機能をドメイン共有およびドメイン排他的特徴に分解する。
さらに、ユーザシーケンス上でデータ拡張を行うことで、よりリッチなドメイン排他的特徴を学習するためのドメイン内コントラッシブインフォマックス(CIM)戦略を設計する。
論文 参考訳(メタデータ) (2023-09-15T14:23:20Z) - 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) - Cross-domain recommendation via user interest alignment [20.387327479445773]
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。
論文 参考訳(メタデータ) (2023-01-26T23:54:41Z) - Adaptive Methods for Aggregated Domain Generalization [26.215904177457997]
多くの設定において、プライバシに関する懸念は、トレーニングデータサンプルのドメインラベルを取得することを禁止している。
本稿では,この問題に対するドメイン適応的アプローチを提案する。
提案手法は,ドメインラベルを使わずに,様々な領域一般化ベンチマークにおける最先端性能を実現する。
論文 参考訳(メタデータ) (2021-12-09T08:57:01Z) - 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) - Domain Adaptation for Sentiment Analysis Using Increased Intraclass
Separation [31.410122245232373]
ドメイン間感情分析手法は注目されている。
埋め込み空間における異なるクラス間の大きなマージンを誘導する新しい領域適応法を提案する。
この埋め込み空間は、ドメイン間のデータ分散をマッチングすることによって、ドメインに依存しないように訓練される。
論文 参考訳(メタデータ) (2021-07-04T11:39:12Z) - Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。
本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。
提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-03-25T14:33:33Z) - Cross-Domain Facial Expression Recognition: A Unified Evaluation
Benchmark and Adversarial Graph Learning [85.6386289476598]
我々は,クロスドメイン全体的特徴共適応のための新しい逆グラフ表現適応(AGRA)フレームワークを開発した。
我々は,いくつかの一般的なベンチマークで広範囲かつ公平な評価を行い,提案したAGRAフレームワークが従来の最先端手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-08-03T15:00:31Z) - Learning to Combine: Knowledge Aggregation for Multi-Source Domain
Adaptation [56.694330303488435]
マルチソースドメイン適応(LtC-MSDA)フレームワークを併用する学習法を提案する。
簡単に言うと、知識グラフは様々なドメインのプロトタイプ上に構築され、セマンティックに隣接した表現間の情報伝達を実現する。
我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
論文 参考訳(メタデータ) (2020-07-17T07:52:44Z)
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。