論文の概要: End-to-end Learnable Clustering for Intent Learning in Recommendation
- arxiv url: http://arxiv.org/abs/2401.05975v1
- Date: Thu, 11 Jan 2024 15:22:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-12 13:57:48.933151
- Title: End-to-end Learnable Clustering for Intent Learning in Recommendation
- Title(参考訳): 推薦学習のためのエンドツーエンド学習型クラスタリング
- Authors: Yue Liu, Shihao Zhu, Jun Xia, Yingwei Ma, Jian Ma, Wenliang Zhong,
Guannan Zhang, Kejun Zhang, Xinwang Liu
- Abstract要約: 本稿では,Underline-to-end underlineLearnable underlinelustering framework for UnderlineRecommendationに表現学習を統合する,UnderlineELCRecという新しい意図学習手法を提案する。
我々は、学習したクラスタセンターを表現学習のための自己超越信号として活用し、レコメンデーション性能をさらに向上させる。
- 参考スコア(独自算出の注目度): 61.29127008174193
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mining users' intents plays a crucial role in sequential recommendation. The
recent approach, ICLRec, was introduced to extract underlying users' intents
using contrastive learning and clustering. While it has shown effectiveness,
the existing method suffers from complex and cumbersome alternating
optimization, leading to two main issues. Firstly, the separation of
representation learning and clustering optimization within a generalized
expectation maximization (EM) framework often results in sub-optimal
performance. Secondly, performing clustering on the entire dataset hampers
scalability for large-scale industry data. To address these challenges, we
propose a novel intent learning method called \underline{ELCRec}, which
integrates representation learning into an \underline{E}nd-to-end
\underline{L}earnable \underline{C}lustering framework for
\underline{Rec}ommendation. Specifically, we encode users' behavior sequences
and initialize the cluster centers as learnable network parameters.
Additionally, we design a clustering loss that guides the networks to
differentiate between different cluster centers and pull similar samples
towards their respective cluster centers. This allows simultaneous optimization
of recommendation and clustering using mini-batch data. Moreover, we leverage
the learned cluster centers as self-supervision signals for representation
learning, resulting in further enhancement of recommendation performance.
Extensive experiments conducted on open benchmarks and industry data validate
the superiority, effectiveness, and efficiency of our proposed ELCRec method.
Code is available at: https://github.com/yueliu1999/ELCRec.
- Abstract(参考訳): ユーザの意図をマイニングすることは、逐次レコメンデーションにおいて重要な役割を果たす。
最近のアプローチであるiclrecは、対照的な学習とクラスタリングを使用して、基礎となるユーザの意図を抽出するために導入された。
有効性を示しているが、既存の手法は複雑で面倒な交互最適化に悩まされており、2つの主要な問題に繋がる。
第一に、一般化期待最大化(EM)フレームワークにおける表現学習とクラスタリング最適化の分離は、しばしば準最適性能をもたらす。
第二に、データセット全体のクラスタリングは、大規模産業データに対するスケーラビリティを損なう。
これらの課題に対処するために、表現学習を \underline{E}nd-to-end \underline{L}earnable \underline{C}lustering framework for \underline{Rec}ommendation に統合する、新しい意図学習手法である \underline{ELCRec} を提案する。
具体的には、ユーザの行動シーケンスをエンコードし、クラスタセンターを学習可能なネットワークパラメータとして初期化する。
さらに、異なるクラスタセンタを区別するネットワークを誘導し、同様のサンプルをそれぞれのクラスタセンタにプルするクラスタリングロスを設計する。
これにより、ミニバッチデータを用いたレコメンデーションとクラスタリングの同時最適化が可能になる。
さらに,学習したクラスタセンタを自己スーパービジョン信号として表現学習に活用し,レコメンデーション性能をさらに向上させる。
オープンベンチマークおよび業界データを用いた大規模実験により,提案手法の優位性,有効性,効率性を検証した。
コードはhttps://github.com/yueliu1999/elcrec。
関連論文リスト
- A Machine Learning-Based Framework for Clustering Residential
Electricity Load Profiles to Enhance Demand Response Programs [0.0]
実ケーススタディを通じて最適な負荷プロファイルを実現するために,機械学習に基づく新しいフレームワークを提案する。
本稿では,実ケーススタディを通じて最適な負荷プロファイルを実現するために,機械学習に基づく新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-31T11:23:26Z) - Dynamic Clustering and Cluster Contrastive Learning for Unsupervised
Person Re-identification [29.167783500369442]
教師なしRe-ID手法は、ラベルのないデータから堅牢で差別的な特徴を学習することを目的としている。
本稿では,動的クラスタリングとクラスタコントラスト学習(DCCC)手法を提案する。
提案したDCCCの有効性を検証するために, 広く利用されている複数の公開データセットの実験を行った。
論文 参考訳(メタデータ) (2023-03-13T01:56:53Z) - Intent Contrastive Learning for Sequential Recommendation [86.54439927038968]
ユーザの意図を表現するために潜伏変数を導入し,クラスタリングにより潜伏変数の分布関数を学習する。
我々は,学習意図を対照的なSSLによってSRモデルに活用し,シーケンスのビューとそれに対応するインテントとの一致を最大化することを提案する。
4つの実世界のデータセットで実施された実験は、提案した学習パラダイムの優位性を示している。
論文 参考訳(メタデータ) (2022-02-05T09:24:13Z) - Deep Attention-guided Graph Clustering with Dual Self-supervision [49.040136530379094]
デュアル・セルフ・スーパービジョン(DAGC)を用いたディープアテンション誘導グラフクラスタリング法を提案する。
我々は,三重項Kulback-Leibler分散損失を持つソフトな自己スーパービジョン戦略と,擬似的な監督損失を持つハードな自己スーパービジョン戦略からなる二重自己スーパービジョンソリューションを開発する。
提案手法は6つのベンチマークデータセットにおける最先端の手法より一貫して優れている。
論文 参考訳(メタデータ) (2021-11-10T06:53:03Z) - Cluster Analysis with Deep Embeddings and Contrastive Learning [0.0]
本研究は,深層埋め込みから画像クラスタリングを行うための新しいフレームワークを提案する。
提案手法では,クラスタセンターの表現をエンドツーエンドで学習し,予測する。
我々のフレームワークは広く受け入れられているクラスタリング手法と同等に動作し、CIFAR-10データセット上で最先端のコントラスト学習手法より優れています。
論文 参考訳(メタデータ) (2021-09-26T22:18:15Z) - Graph Contrastive Clustering [131.67881457114316]
本稿では,クラスタリングタスクに適用可能な新しいグラフコントラスト学習フレームワークを提案し,gcc(graph constrastive clustering)法を考案した。
特に、グラフラプラシアンに基づくコントラスト損失は、より識別的かつクラスタリングフレンドリーな特徴を学ぶために提案されている。
一方で、よりコンパクトなクラスタリング割り当てを学ぶために、グラフベースのコントラスト学習戦略が提案されている。
論文 参考訳(メタデータ) (2021-04-03T15:32:49Z) - Consensus Clustering With Unsupervised Representation Learning [4.164845768197489]
我々はBootstrap Your Own Latent(BYOL)のクラスタリング能力について検討し、BYOLを使って学習した機能がクラスタリングに最適でないことを観察する。
本稿では,新たなコンセンサスクラスタリングに基づく損失関数を提案するとともに,クラスタリング能力を改善し,類似のクラスタリングに基づく手法より優れたBYOLをエンド・ツー・エンドで学習する。
論文 参考訳(メタデータ) (2020-10-03T01:16:46Z) - Contrastive Clustering [57.71729650297379]
本稿では,インスタンスレベルのコントラスト学習を明示的に行うContrastive Clustering (CC)を提案する。
特にCCは、CIFAR-10(CIFAR-100)データセット上で0.705(0.431)のNMIを達成しており、最高のベースラインと比較して最大19%(39%)のパフォーマンス向上を実現している。
論文 参考訳(メタデータ) (2020-09-21T08:54:40Z) - LSD-C: Linearly Separable Deep Clusters [145.89790963544314]
ラベルなしデータセットのクラスタを識別する新しい手法であるLSD-Cを提案する。
本手法は,最近の半教師付き学習の実践からインスピレーションを得て,クラスタリングアルゴリズムと自己教師付き事前学習と強力なデータ拡張を組み合わせることを提案する。
CIFAR 10/100, STL 10, MNIST, および文書分類データセットReuters 10Kなど, 一般的な公開画像ベンチマークにおいて, 当社のアプローチが競合より大幅に優れていたことを示す。
論文 参考訳(メタデータ) (2020-06-17T17:58:10Z) - Improving k-Means Clustering Performance with Disentangled Internal
Representations [0.0]
本稿では,オートエンコーダの学習遅延符号表現の絡み合いを最適化する,シンプルなアプローチを提案する。
提案手法を用いて,MNISTデータセットでは96.2%,Fashion-MNISTデータセットでは85.6%,EMNIST Balancedデータセットでは79.2%,ベースラインモデルでは79.2%であった。
論文 参考訳(メタデータ) (2020-06-05T11:32:34Z)
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。