論文の概要: UIPC-MF: User-Item Prototype Connection Matrix Factorization for Explainable Collaborative Filtering

• arxiv url: http://arxiv.org/abs/2308.07048v1
• Date: Mon, 14 Aug 2023 10:18:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-15 13:36:33.947888
• Title: UIPC-MF: User-Item Prototype Connection Matrix Factorization for Explainable Collaborative Filtering
• Title（参考訳）: UIPC-MF: 説明可能な協調フィルタリングのためのユーザ項目の接続行列分解
• Authors: Lei Pan and Von-Wun Soo
• Abstract要約: プロトタイプベースの行列分解手法であるUIPC-MFを提案する。 説明可能性を高めるために、UIPC-MFは、推奨のためのユーザとアイテムのプロトタイプ間の関連性を反映した接続重みを学習する。 UIPC-MFは、3つのデータセットでHit RatioとNormalized Discounted Cumulative Gainの点で、他のプロトタイプベースのベースラインメソッドよりも優れています。
• 参考スコア（独自算出の注目度）: 2.921387082153523
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommending items to potentially interested users has been an important commercial task that faces two main challenges: accuracy and explainability. While most collaborative filtering models rely on statistical computations on a large scale of interaction data between users and items and can achieve high performance, they often lack clear explanatory power. We propose UIPC-MF, a prototype-based matrix factorization method for explainable collaborative filtering recommendations. In UIPC-MF, both users and items are associated with sets of prototypes, capturing general collaborative attributes. To enhance explainability, UIPC-MF learns connection weights that reflect the associative relations between user and item prototypes for recommendations. UIPC-MF outperforms other prototype-based baseline methods in terms of Hit Ratio and Normalized Discounted Cumulative Gain on three datasets, while also providing better transparency.
• Abstract（参考訳）: 興味のあるユーザーにアイテムを推薦することは、主に2つの課題、正確さと説明可能性に直面する重要な業務だった。 ほとんどのコラボレーティブフィルタリングモデルは、ユーザとアイテム間の大規模なインタラクションデータに基づく統計計算に依存しており、高いパフォーマンスを達成することができるが、明確な説明力に欠けることが多い。 本稿では,協調フィルタリングを推奨する手法であるuipc-mfを提案する。 UIPC-MFでは、ユーザとアイテムの両方がプロトタイプのセットに関連付けられ、一般的なコラボレーティブ属性をキャプチャする。 説明可能性を高めるために、UIPC-MFはユーザとアイテムのプロトタイプ間の関連性を反映した接続重みを学習する。 UIPC-MFは、3つのデータセットでHit RatioとNormalized Discounted Cumulative Gainの点で他のプロトタイプベースのベースラインメソッドよりも優れており、透明性も向上している。

関連論文リスト

• GaVaMoE: Gaussian-Variational Gated Mixture of Experts for Explainable Recommendation [55.769720670731516]
  GaVaMoEは、説明可能なレコメンデーションのための新しいフレームワークである。 特定のユーザータイプや好みのカスタマイズされた説明を生成する。 疎いユーザ-イテムインタラクションのシナリオでは、堅牢なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-10-15T17:59:30Z)
• EDGE-Rec: Efficient and Data-Guided Edge Diffusion For Recommender Systems Graphs [0.0]
  本稿では,ユーザとアイテムの機能だけでなく,リアルタイムなインタラクションの重み付けを生かした新しいアテンション機構を提案する。 我々は,ユーザ・イテム相互作用グラフの重み付き相互作用行列を反復的に復調するために,新しいグラフ拡散変換器GDiTアーキテクチャを訓練する。 テキスト条件付き画像生成の最近の進歩に触発されて,本手法は,従来の評価と同一スケールのユーザ・イテム評価を直接生成する。
  論文  参考訳（メタデータ） (2024-09-23T03:23:20Z)
• Improved Diversity-Promoting Collaborative Metric Learning for Recommendation [127.08043409083687]
  CML(Collaborative Metric Learning)は、リコメンデーションシステムにおいて人気のある手法として最近登場した。 本稿では,ユーザが複数のカテゴリの関心を持つ,困難なシナリオに焦点をあてる。 textitDiversity-Promoting Collaborative Metric Learning (DPCML) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-02T07:44:48Z)
• 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)
• Graph Collaborative Signals Denoising and Augmentation for Recommendation [75.25320844036574]
  ユーザ・ユーザ・項目間の相関を組み込んだグラフ隣接行列を提案する。 ユーザ・ユーザ・イテム相関と項目・イテム相関が組み合わさることで,豊富なインタラクションと不十分なインタラクションを持つユーザのレコメンデーションが向上することを示す。
  論文  参考訳（メタデータ） (2023-04-06T19:43:37Z)
• Broad Recommender System: An Efficient Nonlinear Collaborative Filtering Approach [56.12815715932561]
  我々はBroad Collaborative Filtering (BroadCF)と呼ばれる新しい広帯域リコメンデータシステムを提案する。 深層ニューラルネットワーク(DNN)の代わりに、ユーザとアイテム間の複雑な非線形関係を学習するためのマッピング機能として、Broad Learning System(BLS)が使用されている。 7つのベンチマークデータセットで実施された大規模な実験により、提案したBroadCFアルゴリズムの有効性が確認された。
  論文  参考訳（メタデータ） (2022-04-20T01:25:08Z)
• Hierarchical Latent Relation Modeling for Collaborative Metric Learning [8.59872983871365]
  CML(Collaborative Metric Learning)は、暗黙のフィードバックによる協調フィルタリングに基づく推奨のための強力なパラダイムとして最近登場した。 暗黙的なデータから潜在ユーザ・イテムとアイテム・イテムの関係を共同でキャプチャする階層型CMLモデルを提案する。 実世界の複数のデータセットにおける推薦タスクにおいて、既存のCMLモデルよりも優れた性能を発揮することにより、この連関関係モデルの有効性を実証的に示す。
  論文  参考訳（メタデータ） (2021-07-26T17:45:11Z)
• The Stereotyping Problem in Collaboratively Filtered Recommender Systems [77.56225819389773]
  行列分解に基づく協調フィルタリングアルゴリズムは,ある種のステレオタイピングを誘導することを示す。 一般のユーザ層では、テキストセットの好みが反相関性がある場合、これらの項目は、ユーザーには推奨されない。 本稿では,各ユーザの多様な利害関係を捉えるために,代替的なモデリング修正を提案する。
  論文  参考訳（メタデータ） (2021-06-23T18:37:47Z)
• Dual-embedding based Neural Collaborative Filtering for Recommender Systems [0.7949579654743338]
  本稿では,DNCF をベースとしたニューラル・コラボレーティブ・フィルタリングのために,DNCF という汎用的な協調フィルタリングフレームワークを提案する。 ユーザ(アイテム)に対するプリミティブな埋め込みの学習に加えて,インタラクションされたアイテム(ユーザ)の観点から追加的な埋め込みを導入し,ユーザ(item)表現を拡大する。
  論文  参考訳（メタデータ） (2021-02-04T11:32:11Z)
• Towards Open-World Recommendation: An Inductive Model-based Collaborative Filtering Approach [115.76667128325361]
  推奨モデルは、基礎となるユーザの関心を効果的に見積もり、将来の行動を予測することができる。 2つの表現モデルを含む帰納的協調フィルタリングフレームワークを提案する。 本モデルでは,限られたトレーニングレーティングと新規の未確認ユーザを対象に,数ショットのユーザに対して有望なレコメンデーションを行う。
  論文  参考訳（メタデータ） (2020-07-09T14:31:25Z)

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。