論文の概要: Causal Deconfounding via Confounder Disentanglement for Dual-Target Cross-Domain Recommendation

• arxiv url: http://arxiv.org/abs/2404.11180v3
• Date: Tue, 10 Dec 2024 10:22:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-11 14:32:50.963798
• Title: Causal Deconfounding via Confounder Disentanglement for Dual-Target Cross-Domain Recommendation
• Title（参考訳）: Cousal Deconfounding via Confounder Disentanglement for Dual-Target Cross-Domain Recommendation
• Authors: Jiajie Zhu, Yan Wang, Feng Zhu, Zhu Sun,
• Abstract要約: 本稿では,CD2CDR と呼ばれる多目的クロスドメインレコメンデーションのための Confounder Disentanglement によるCausal Deconfounding フレームワークを提案する。 CD2CDRでは、まず、観測された単一ドメインとクロスドメインの共創者を効果的に分離する、共同設立者切り離しモジュールを提案する。 そこで我々は,そのような共同設立者の肯定的な効果を保ち,その負の効果をバックドア調整によって排除する因果分解モジュールを提案する。
• 参考スコア（独自算出の注目度）: 15.209994857746933
• License:
• Abstract: In recent years, dual-target Cross-Domain Recommendation (CDR) has been proposed to capture comprehensive user preferences in order to ultimately enhance the recommendation accuracy in both data-richer and data-sparser domains simultaneously. However, in addition to users' true preferences, the user-item interactions might also be affected by confounders (e.g., free shipping, sales promotion). As a result, dual-target CDR has to meet two challenges: (1) how to effectively decouple observed confounders, including single-domain confounders and cross-domain confounders, and (2) how to preserve the positive effects of observed confounders on predicted interactions, while eliminating their negative effects on capturing comprehensive user preferences. To address the above two challenges, we propose a Causal Deconfounding framework via Confounder Disentanglement for dual-target Cross-Domain Recommendation, called CD2CDR. In CD2CDR, we first propose a confounder disentanglement module to effectively decouple observed single-domain and cross-domain confounders. We then propose a causal deconfounding module to preserve the positive effects of such observed confounders and eliminate their negative effects via backdoor adjustment, thereby enhancing the recommendation accuracy in each domain. Extensive experiments conducted on five real-world datasets demonstrate that CD2CDR significantly outperforms the state-of-the-art methods.
• Abstract（参考訳）: 近年,データリッチ化とデータスパーサの両領域におけるレコメンデーション精度を向上するために,包括的ユーザの嗜好を捉えるために,デュアルターゲットのクロスドメインレコメンデーション(CDR)が提案されている。 しかし、ユーザの真の嗜好に加えて、ユーザとイテムのインタラクションも、共同創設者(例えば、無料配送、販売促進)の影響を受けている可能性がある。 その結果、二重ターゲットCDRは、(1)単一ドメインの共同設立者やクロスドメインの共同設立者を含む、観察された共同設立者を効果的に分離する方法、(2)観察された共同設立者による予測された相互作用に対する肯定的な効果の維持方法、そして、総合的なユーザの嗜好を捉えるためのネガティブな効果を除去する方法の2つの課題を満たす必要がある。 上記の2つの課題に対処するために、CD2CDRと呼ばれる二重ターゲットのクロスドメインレコメンデーションのためのConfounder Disentanglementを介してCausal Deconfoundingフレームワークを提案する。 CD2CDRでは、まず、観測された単一ドメインとクロスドメインの共創者を効果的に分離する、共同設立者切り離しモジュールを提案する。 そこで我々は,そのような共同設立者の肯定的な効果を保ち,バックドア調整によって負の効果を排除し,各ドメインにおける推奨精度を高めるために,因果分解モジュールを提案する。 5つの実世界のデータセットで実施された大規模な実験は、CD2CDRが最先端の手法を著しく上回っていることを示している。

関連論文リスト

• Pacer and Runner: Cooperative Learning Framework between Single- and Cross-Domain Sequential Recommendation [25.228420612022788]
  クロスドメインシークエンシャルレコメンデーション(CDSR)は、複数のドメインの情報を活用することでレコメンデーションパフォーマンスを向上させる。 しかし、CDSRは、負の転送により特定の領域でSDSR(Single-Domain Sequential Recommendation)と比較して性能が劣る可能性がある。 本稿では,各領域の負の移動度を推定し,予測損失に対する重み係数として適応的に割り当てるCDSRモデルを提案する。
  論文  参考訳（メタデータ） (2024-07-15T21:14:13Z)
• Information Maximization via Variational Autoencoders for Cross-Domain Recommendation [26.099908029810756]
  我々は、情報最大化変分オートエンコーダ(textbftextttIM-VAE)という新しいCDSRフレームワークを導入する。 ここでは、下流の細粒度CDSRモデルに対するユーザのインタラクション履歴入力を強化するために擬似シーケンス生成器を提案する。 我々の知る限りでは、オープンワールドレコメンデーションシナリオにおける擬似シーケンスの情報のゆがみとデノベーションを考慮に入れた最初のCDSR作品である。
  論文  参考訳（メタデータ） (2024-05-31T09:07:03Z)
• Cross-Domain Few-Shot Segmentation via Iterative Support-Query Correspondence Mining [81.09446228688559]
  Cross-Domain Few-Shots (CD-FSS) は、限定された例のみを用いて、異なるドメインから新しいカテゴリを分割するという課題を提起する。 本稿では,CD-FSSの課題に対処する新しいクロスドメイン微調整手法を提案する。
  論文  参考訳（メタデータ） (2024-01-16T14:45:41Z)
• DDGHM: Dual Dynamic Graph with Hybrid Metric Training for Cross-Domain Sequential Recommendation [15.366783212837515]
  Sequential Recommendation (SR) は、ユーザがアイテム間を移動する方法をモデル化することによって、ユーザの行動の進化パターンを特徴付ける。 この問題を解決するため、我々はクロスドメインシーケンスレコメンデーション(CDSR)に焦点を当てる。 本稿では,CDSR問題のための新しいフレームワークであるDDGHMを提案する。
  論文  参考訳（メタデータ） (2022-09-21T07:53:06Z)
• Collaborative Filtering with Attribution Alignment for Review-based Non-overlapped Cross Domain Recommendation [16.213603171466602]
  CDR(Cross-Domain Recommendation)は、様々なドメイン知識を活用して、レコメンデータシステムにおける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ために広く研究されている。 本稿では,Review-based Non-overlapped Recommendation (RNCDR)問題に焦点をあてる。 この問題は2つの主要な側面、すなわち、対象ドメインに肯定的なユーザイテム格付けしか存在せず、異なるドメインにまたがって重複するユーザが存在しないため、一般的に存在し難解である。 ほとんどの従来のCDRアプローチは、レビューと他のレビューを効果的に組み合わせることができないため、RCCDRの問題をうまく解決できない。
  論文  参考訳（メタデータ） (2022-02-10T09:22:30Z)
• 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)
• Unpaired Adversarial Learning for Single Image Deraining with Rain-Space Contrastive Constraints [61.40893559933964]
  我々は,CDR-GAN という名称の GAN フレームワークにおいて,比較学習手法により,経験者の相互特性を探索する有効な非経験的 SID 手法を開発した。 提案手法は, 合成および実世界の両方のデータセットにおいて, 既存の非対効果のデラミニング手法に対して良好に動作し, 完全教師付きモデルや半教師付きモデルよりも優れている。
  論文  参考訳（メタデータ） (2021-09-07T10:00:45Z)
• 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)
• Dual Metric Learning for Effective and Efficient Cross-Domain Recommendations [85.6250759280292]
  クロスドメインレコメンダーシステムは、消費者が異なるアプリケーションで有用なアイテムを識別するのを助けるためにますます価値があります。 既存のクロスドメインモデルは、通常、多くのオーバーラップユーザーを必要とするため、いくつかのアプリケーションでは取得が困難である。 本稿では,2つのドメイン間で情報を反復的に伝達する二元学習に基づく新しいクロスドメインレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2021-04-17T09:18:59Z)
• Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
  教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。 従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。 本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-12T09:45:39Z)

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。