論文の概要: Domain-Aware Cross-Attention for Cross-domain Recommendation

• arxiv url: http://arxiv.org/abs/2401.11705v1
• Date: Mon, 22 Jan 2024 06:12:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-23 15:13:22.064740
• Title: Domain-Aware Cross-Attention for Cross-domain Recommendation
• Title（参考訳）: ドメインを意識したクロスアテンション
• Authors: Yuhao Luo and Shiwei Ma and Mingjun Nie and Changping Peng and Zhangang Lin and Jingping Shao and Qianfang Xu
• Abstract要約: クロスドメインレコメンデーション(CDR)は、レコメンダシステムの性能を改善する重要な方法である。 本稿では、異なる粒度からソースドメインの転送可能な特徴を抽出する2段階のクロスアテンションを提案する。 公共データセットと産業データセットの両方で実験を行い,本手法の有効性を実証した。
• 参考スコア（独自算出の注目度）: 4.602115311495822
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-domain recommendation (CDR) is an important method to improve recommender system performance, especially when observations in target domains are sparse. However, most existing cross-domain recommendations fail to fully utilize the target domain's special features and are hard to be generalized to new domains. The designed network is complex and is not suitable for rapid industrial deployment. Our method introduces a two-step domain-aware cross-attention, extracting transferable features of the source domain from different granularity, which allows the efficient expression of both domain and user interests. In addition, we simplify the training process, and our model can be easily deployed on new domains. We conduct experiments on both public datasets and industrial datasets, and the experimental results demonstrate the effectiveness of our method. We have also deployed the model in an online advertising system and observed significant improvements in both Click-Through-Rate (CTR) and effective cost per mille (ECPM).
• Abstract（参考訳）: クロスドメインレコメンデーション(CDR)は,特に対象領域での観測が不十分な場合に,レコメンデーションシステムの性能を向上させる重要な手法である。 しかし、既存のクロスドメインレコメンデーションのほとんどは、ターゲットドメインの特殊機能を完全に活用できず、新しいドメインに一般化するのは難しい。 設計されたネットワークは複雑で、迅速な産業展開には適していない。 提案手法では,異なる粒度からソースドメインの伝達可能な特徴を抽出し,ドメインとユーザの両方の関心事の効率的な表現を可能にする。 さらに、トレーニングプロセスを単純化し、モデルが新しいドメインに簡単にデプロイできるようになりました。 公開データセットと産業データセットの両方で実験を行い,本手法の有効性を実証した。 また,オンライン広告システムにおいて,Click-Through-Rate (CTR) と有効コスト (ECPM) の両面で大きな改善が見られた。

関連論文リスト

• DIIT: A Domain-Invariant Information Transfer Method for Industrial Cross-Domain Recommendation [12.029152857303101]
  クロスドメイン勧告(CDR: Cross-Domain Recommendation)は、ドメイン間の豊富な情報を活用する能力によって、広く注目を集めている。 既存のCDR法の多くは、産業レコメンデーションシステム(RS)では実用的でない理想的な静的条件を前提としている。 産業用クロスドメインレコメンデーションのためのエンドツーエンドなドメイン不変情報伝達手法であるDIITを提案する。
  論文  参考訳（メタデータ） (2024-09-29T06:59:22Z)
• EXIT: An EXplicit Interest Transfer Framework for Cross-Domain Recommendation [20.402006751823322]
  クロスドメインレコメンデーションは、Meituanのような産業用アプリにかなりの関心を集めている。 提案する課題に対処するために, EXIT という,シンプルで効果的なExplicit Interest Transfer フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-29T15:52:09Z)
• Large-Scale Multi-Domain Recommendation: an Automatic Domain Feature Extraction and Personalized Integration Framework [30.46152832695426]
  大規模マルチドメインレコメンデーションのための自動ドメイン特徴抽出とパーソナライズド統合(DFEI)フレームワークを提案する。 このフレームワークは個々のユーザの振る舞いを自動的にドメイン内のすべてのユーザの振る舞いの集約に変換し、ドメインの機能として機能します。 20以上のドメインからなるパブリックデータセットと産業データセットの実験結果から,提案フレームワークがSOTAベースラインと比較して大幅に性能が向上していることが明らかとなった。
  論文  参考訳（メタデータ） (2024-04-12T09:57:17Z)
• 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)
• 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)
• Review-Based Domain Disentanglement without Duplicate Users or Contexts for Cross-Domain Recommendation [1.2074552857379273]
  クロスドメインレコメンデーションは、データスパーシリティとコールドスタート問題を解決する上で有望な結果を示している。 我々のモデル(SER)は、3つのテキスト解析モジュールを使用し、1つのドメイン識別器で案内され、非絡み合い表現学習を行う。
  論文  参考訳（メタデータ） (2021-10-25T05:17:58Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-28T09:29:14Z)
• Dual Attentive Sequential Learning for Cross-Domain Click-Through Rate Prediction [76.98616102965023]
  クロスドメインレコメンダシステムは、コールドスタートとスパシティの問題に対処するための強力な方法である。 本稿では,二元学習機構に基づくクロスドメインシーケンシャルなレコメンデーション手法を提案する。
  論文  参考訳（メタデータ） (2021-06-05T01:21:21Z)
• Effective Label Propagation for Discriminative Semi-Supervised Domain Adaptation [76.41664929948607]
  半教師付き領域適応(SSDA)法は,大規模な画像分類タスクにおいて大きな可能性を示している。 本稿では、ドメイン間およびドメイン内セマンティック情報を効果的に伝達することにより、この問題に対処する新しい効果的な方法を提案する。 ソースコードと事前訓練されたモデルも間もなくリリースされる予定です。
  論文  参考訳（メタデータ） (2020-12-04T14:28:19Z)
• Domain Conditioned Adaptation Network [90.63261870610211]
  本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。 これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
  論文  参考訳（メタデータ） (2020-05-14T04:23:24Z)

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。