論文の概要: Cross-Attribute Matrix Factorization Model with Shared User Embedding

• arxiv url: http://arxiv.org/abs/2308.07284v1
• Date: Mon, 14 Aug 2023 17:15:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-15 12:19:19.994576
• Title: Cross-Attribute Matrix Factorization Model with Shared User Embedding
• Title（参考訳）: 共有ユーザ埋め込みを用いたクロス属性行列分解モデル
• Authors: Wen Liang, Zeng Fan, Youzhi Liang, Jianguo Jia
• Abstract要約: 我々は,ユーザとアイテム間のインタラクションだけでなく,関連する属性の横断性も考慮した改良されたNeuMFモデルを提案する。 提案アーキテクチャは共有ユーザ埋め込みを特徴とし,ユーザ埋め込みとシームレスに統合することにより,ロバスト性を損なうとともに,コールドスタート問題に効果的に対処する。
• 参考スコア（独自算出の注目度）: 0.5266869303483376
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Over the past few years, deep learning has firmly established its prowess across various domains, including computer vision, speech recognition, and natural language processing. Motivated by its outstanding success, researchers have been directing their efforts towards applying deep learning techniques to recommender systems. Neural collaborative filtering (NCF) and Neural Matrix Factorization (NeuMF) refreshes the traditional inner product in matrix factorization with a neural architecture capable of learning complex and data-driven functions. While these models effectively capture user-item interactions, they overlook the specific attributes of both users and items. This can lead to robustness issues, especially for items and users that belong to the "long tail". Such challenges are commonly recognized in recommender systems as a part of the cold-start problem. A direct and intuitive approach to address this issue is by leveraging the features and attributes of the items and users themselves. In this paper, we introduce a refined NeuMF model that considers not only the interaction between users and items, but also acrossing associated attributes. Moreover, our proposed architecture features a shared user embedding, seamlessly integrating with user embeddings to imporve the robustness and effectively address the cold-start problem. Rigorous experiments on both the Movielens and Pinterest datasets demonstrate the superiority of our Cross-Attribute Matrix Factorization model, particularly in scenarios characterized by higher dataset sparsity.
• Abstract（参考訳）: 過去数年間、ディープラーニングは、コンピュータビジョン、音声認識、自然言語処理など、さまざまな領域で確固たる地位を確立してきた。 その優れた成功に動機づけられた研究者たちは、レコメンダシステムへのディープラーニング技術の適用への取り組みを指示している。 neural collaborative filtering(ncf)とneural matrix factorization(neumf)は、複雑なデータ駆動関数を学習可能なニューラルネットワークアーキテクチャによって、マトリックスファクタライゼーションにおける従来の内積をリフレッシュする。 これらのモデルは、ユーザとイテムのインタラクションを効果的にキャプチャするが、ユーザとアイテムの両方の特定の属性を見落としている。 これは特に"ロングテール"に属するアイテムやユーザにとって、堅牢性の問題につながる可能性がある。 このような課題は、コールドスタート問題の一部としてレコメンデーションシステムで一般的に認識されている。 この問題に対処するための直接的で直感的なアプローチは、アイテムとユーザ自身の機能と属性を活用することだ。 本稿では,ユーザとアイテム間のインタラクションだけでなく,関連する属性の相互参照も考慮した改良されたNeuMFモデルを提案する。 さらに,提案アーキテクチャでは,ユーザ埋め込みをシームレスに統合することにより,ロバスト性を損なうとともに,コールドスタート問題に効果的に対処する。 MovielensとPinterestのデータセットに関する厳密な実験は、私たちのクロス属性行列分解モデルの優位性を実証しています。

関連論文リスト

• LLM-assisted Explicit and Implicit Multi-interest Learning Framework for Sequential Recommendation [50.98046887582194]
  本研究では,ユーザの興味を2つのレベル – 行動と意味論 – でモデル化する,明示的で暗黙的な多目的学習フレームワークを提案する。 提案するEIMFフレームワークは,小型モデルとLLMを効果的に組み合わせ,多目的モデリングの精度を向上させる。
  論文  参考訳（メタデータ） (2024-11-14T13:00:23Z)
• Retrieval Augmentation via User Interest Clustering [57.63883506013693]
  インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。 本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。 当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
  論文  参考訳（メタデータ） (2024-08-07T16:35:10Z)
• LLM-ESR: Large Language Models Enhancement for Long-tailed Sequential Recommendation [58.04939553630209]
  現実世界のシステムでは、ほとんどのユーザーはほんの一握りのアイテムしか扱わないが、ほとんどのアイテムは滅多に消費されない。 これら2つの課題は、ロングテールユーザーとロングテールアイテムの課題として知られ、しばしば既存のシークエンシャルレコメンデーションシステムに困難をもたらす。 本稿では,これらの課題に対処するため,Large Language Models Enhancement framework for Sequential Recommendation (LLM-ESR)を提案する。
  論文  参考訳（メタデータ） (2024-05-31T07:24:42Z)
• Pre-trained Neural Recommenders: A Transferable Zero-Shot Framework for Recommendation Systems [5.597511654202054]
  両部間相互作用グラフからノードとエッジのユニバーサル(ユーザやアイテムの補助情報なしでゼロショット適応をサポートする)表現を学習する方法を示す。
  論文  参考訳（メタデータ） (2023-09-03T14:18:31Z)
• Feature Decoupling-Recycling Network for Fast Interactive Segmentation [79.22497777645806]
  近年のインタラクティブセグメンテーション手法では,入力としてソースイメージ,ユーザガイダンス,従来予測されていたマスクを反復的に取り込んでいる。 本稿では,本質的な相違点に基づいてモデリングコンポーネントを分離するFDRN(Feature Decoupling-Recycling Network)を提案する。
  論文  参考訳（メタデータ） (2023-08-07T12:26:34Z)
• Multiple Interest and Fine Granularity Network for User Modeling [3.508126539399186]
  ユーザモデリングは、カスタマエクスペリエンスとビジネス収益の両方の観点から、マッチングステージとランキングステージの両方において、産業レコメンデータシステムにおいて、基本的な役割を果たす。 既存のディープラーニングベースのアプローチのほとんどは、アイテムIDとカテゴリIDを活用するが、色やメイトリアルのようなきめ細かい特徴は無視し、ユーザの興味の細かい粒度をモデル化するのを妨げる。 本稿では,ユーザの多目的・細粒度に対処する多目的・細粒度ネットワーク(MFN)を提案し,ユーザの多目的間の類似性関係と組み合わせ関係からモデルを構築した。
  論文  参考訳（メタデータ） (2021-12-05T15:12:08Z)
• Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
  本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-08T09:44:00Z)
• 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)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)
• Solving Cold Start Problem in Recommendation with Attribute Graph Neural Networks [18.81183804581575]
  我々は、一般的に使われている相互作用グラフではなく属性グラフを利用して、新しいフレームワークAttribute Graph Neural Networks (AGNN) を開発した。 AGNNは、拡張された変分自動エンコーダ構造を用いて属性の分布を学習することにより、寒冷なユーザ/イテムに対する好みの埋め込みを生成することができる。 そこで本研究では,周辺地域における様々なモーダルの属性を効果的に集約するために,新しいグラフニューラルネットワーク変種であるgate-GNNを提案する。
  論文  参考訳（メタデータ） (2019-12-28T04:07:55Z)

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。