論文の概要: A Collaborative Transfer Learning Framework for Cross-domain Recommendation

• arxiv url: http://arxiv.org/abs/2306.16425v1
• Date: Mon, 26 Jun 2023 09:43:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-30 16:14:15.306684
• Title: A Collaborative Transfer Learning Framework for Cross-domain Recommendation
• Title（参考訳）: クロスドメイン推薦のためのコラボレーティブトランスファー学習フレームワーク
• Authors: Wei Zhang, Pengye Zhang, Bo Zhang, Xingxing Wang, Dong Wang
• Abstract要約: 推薦システムには、ユーザの多様な関心やニーズを満たすための複数のビジネスドメインが存在する。 本稿では,これらの課題を克服するために,協調的クロスドメイン・トランスファー学習フレームワーク(CCTL)を提案する。 CCTLは、対称コンパニオンネットワークを用いて、ターゲットドメイン上のソースドメインの情報ゲインを評価する。
• 参考スコア（独自算出の注目度）: 12.880177078884927
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the recommendation systems, there are multiple business domains to meet the diverse interests and needs of users, and the click-through rate(CTR) of each domain can be quite different, which leads to the demand for CTR prediction modeling for different business domains. The industry solution is to use domain-specific models or transfer learning techniques for each domain. The disadvantage of the former is that the data from other domains is not utilized by a single domain model, while the latter leverage all the data from different domains, but the fine-tuned model of transfer learning may trap the model in a local optimum of the source domain, making it difficult to fit the target domain. Meanwhile, significant differences in data quantity and feature schemas between different domains, known as domain shift, may lead to negative transfer in the process of transferring. To overcome these challenges, we propose the Collaborative Cross-Domain Transfer Learning Framework (CCTL). CCTL evaluates the information gain of the source domain on the target domain using a symmetric companion network and adjusts the information transfer weight of each source domain sample using the information flow network. This approach enables full utilization of other domain data while avoiding negative migration. Additionally, a representation enhancement network is used as an auxiliary task to preserve domain-specific features. Comprehensive experiments on both public and real-world industrial datasets, CCTL achieved SOTA score on offline metrics. At the same time, the CCTL algorithm has been deployed in Meituan, bringing 4.37% CTR and 5.43% GMV lift, which is significant to the business.
• Abstract（参考訳）: 推薦システムでは、ユーザの多様な関心やニーズを満たす複数のビジネスドメインが存在し、各ドメインのクリックスルーレート(CTR)はかなり異なるため、異なるビジネスドメインに対するCTR予測モデルの必要性が生じる。 業界ソリューションはドメイン固有のモデルや各ドメインの転送学習技術を使用することです。 前者の欠点は、他のドメインからのデータは単一のドメインモデルによって利用されず、後者は異なるドメインからのすべてのデータを利用するが、微調整された転送学習モデルは、ソースドメインの局所的な最適度でモデルをトラップし、ターゲットドメインに適合させることが困難になる。 一方、ドメインシフトとして知られる異なるドメイン間のデータ量と特徴スキーマの大きな違いは、転送プロセスにおける負の転送につながる可能性がある。 これらの課題を克服するため,我々はcctl(collaborative cross-domain transfer learning framework)を提案する。 CCTLは、対称コンパニオンネットワークを用いて、対象ドメイン上のソースドメインの情報ゲインを評価し、情報フローネットワークを用いて、各ソースドメインサンプルの情報転送重量を調整する。 このアプローチは、負のマイグレーションを避けながら、他のドメインデータのフル活用を可能にする。 さらに、表現強化ネットワークは、ドメイン特有の特徴を保存する補助タスクとして使用される。 公共および現実世界の産業データセットに関する総合的な実験において、CCTLはオフラインメトリクスのSOTAスコアを達成した。 同時に、CCTLアルゴリズムはMeituanにデプロイされ、CTRは4.37%、MVリフトは5.43%となった。

関連論文リスト

• DomainVerse: A Benchmark Towards Real-World Distribution Shifts For Tuning-Free Adaptive Domain Generalization [27.099706316752254]
  我々はAdaptive Domain Generalization (ADG)のための新しいデータセットDomainVerseを確立する。 DomainVerseは、導入した階層的なドメインシフトの定義に相応しく、390のきめ細かい現実的なドメインから約0.5万の画像で構成されている。 チューニング不要適応型ドメイン一般化のためのDomain CLIPとDomain++ CLIPという2つの手法を提案する。
  論文  参考訳（メタデータ） (2024-03-05T07:10:25Z)
• Virtual Classification: Modulating Domain-Specific Knowledge for Multidomain Crowd Counting [67.38137379297717]
  マルチドメインのクラウドカウントは、複数の多様なデータセットの一般的なモデルを学ぶことを目的としている。 ディープネットワークは、ドメインバイアスとして知られるすべてのドメインではなく、支配的なドメインの分布をモデル化することを好む。 マルチドメイン群カウントにおけるドメインバイアス問題を処理するために,MDKNet(Modulating Domain-specific Knowledge Network)を提案する。
  論文  参考訳（メタデータ） (2024-02-06T06:49:04Z)
• DAOT: Domain-Agnostically Aligned Optimal Transport for Domain-Adaptive Crowd Counting [35.83485358725357]
  ドメイン適応は一般的に、異なるデータセット間のドメインギャップをブリッジするために、群衆カウントに使用される。 既存のドメイン適応手法は、同じデータセット内の差を見下ろしながら、データセット間の違いに焦点を当てる傾向がある。 ドメインに依存しない要素をドメイン間で整合させるDAOT(Domain-Agnostically Aligned Optimal Transport)戦略を提案する。
  論文  参考訳（メタデータ） (2023-08-10T02:59:40Z)
• Improving Fake News Detection of Influential Domain via Domain- and Instance-Level Transfer [16.886024206337257]
  フェイクニュース検出(DITFEND)のためのドメインレベルおよびインスタンスレベルの転送フレームワークを提案する。 DITFENDは特定のターゲットドメインの性能を向上させることができる。 オンライン実験は、現実世界のシナリオにおいて、ベースモデルにさらなる改善をもたらすことを示している。
  論文  参考訳（メタデータ） (2022-09-19T10:21:13Z)
• Domain-Aware Contrastive Knowledge Transfer for Multi-domain Imbalanced Data [23.22953767588902]
  マルチドメイン不均衡学習(MIL)は,クラスだけでなく,ドメインにも不均衡が存在するというシナリオである。 MIL設定では、異なるドメインが異なるパターンを示しており、移行学習の機会と課題を呈するドメイン間では、様々な類似性とばらつきがある。 我々は,類似ドメイン間のポジティブな伝達を促進するために,DCMIと呼ばれる新しいドメイン認識型コントラスト型知識伝達手法を提案する。
  論文  参考訳（メタデータ） (2022-04-05T01:02:53Z)
• Curriculum CycleGAN for Textual Sentiment Domain Adaptation with Multiple Sources [68.31273535702256]
  我々は,C-CycleGAN(C-CycleGAN)という,新しいインスタンスレベルのMDAフレームワークを提案する。 C-CycleGANは、(1)異なるドメインからのテキスト入力を連続的な表現空間にエンコードする事前訓練されたテキストエンコーダ、(2)ソースとターゲットドメイン間のギャップを埋めるカリキュラムインスタンスレベルの適応を伴う中間ドメインジェネレータ、(3)中間ドメインで最終感情分類のために訓練されたタスク分類器の3つのコンポーネントから構成される。 3つのベンチマークデータセットに対して広範な実験を行い、最先端のDAアプローチよりも大幅に向上した。
  論文  参考訳（メタデータ） (2020-11-17T14:50:55Z)
• Domain2Vec: Domain Embedding for Unsupervised Domain Adaptation [56.94873619509414]
  従来の教師なしドメイン適応は、限られた数のドメイン間の知識伝達を研究する。 本稿では,特徴不整合とグラム行列の連成学習に基づいて,視覚領域のベクトル表現を提供する新しいDomain2Vecモデルを提案する。 我々の埋め込みは、異なるドメイン間の視覚的関係に関する直感と一致するドメイン類似性を予測できることを示した。
  論文  参考訳（メタデータ） (2020-07-17T22:05:09Z)
• Multi-Domain Spoken Language Understanding Using Domain- and Task-Aware Parameterization [78.93669377251396]
  音声言語理解は、各ドメインでトレーニングデータのセットが利用できる教師付き学習問題として対処されてきた。 既存の1つのアプローチは、ドメイン間の共同トレーニングに共有パラメータを使用して、マルチドメイン学習を行うことによって、この問題を解決する。 本稿では,ドメイン固有モデルパラメータとタスク固有モデルパラメータを用いて,この手法のパラメータ化を改善することを提案する。
  論文  参考訳（メタデータ） (2020-04-30T15:15:40Z)
• Mutual Learning Network for Multi-Source Domain Adaptation [73.25974539191553]
  ML-MSDA(Multial Learning Network for Multiple Source Domain Adaptation)を提案する。 相互学習の枠組みのもと,提案手法は対象ドメインと各ソースドメインをペアリングし,条件付き対向ドメイン適応ネットワークを分岐ネットワークとして訓練する。 提案手法は, 比較手法より優れ, 最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-03-29T04:31:43Z)
• MADAN: Multi-source Adversarial Domain Aggregation Network for Domain Adaptation [58.38749495295393]
  ドメイン適応は、あるラベル付きソースドメインと、わずかにラベル付けまたはラベル付けされていないターゲットドメインの間のドメインシフトをブリッジするために、転送可能なモデルを学ぶことを目的としています。 近年のマルチソース領域適応法(MDA)では,ソースとターゲット間の画素レベルのアライメントは考慮されていない。 これらの課題に対処するための新しいMDAフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T21:22:00Z)

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。