論文の概要: MARec: Metadata Alignment for cold-start Recommendation

• arxiv url: http://arxiv.org/abs/2404.13298v3
• Date: Tue, 10 Dec 2024 19:40:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-12 13:58:15.898589
• Title: MARec: Metadata Alignment for cold-start Recommendation
• Title（参考訳）: MARec: コールドスタート勧告のためのメタデータアライメント
• Authors: Julien Monteil, Volodymyr Vaskovych, Wentao Lu, Anirban Majumder, Anton van den Hengel,
• Abstract要約: 本稿では,コンテンツメタデータを活用することで,コールドスタートレコメンデーションに対処する簡単な手法を提案する。 提案手法は,既存の行列分解とオートエンコーダのアプローチを容易に拡張できることを示す。
• 参考スコア（独自算出の注目度）: 32.8963729876097
• License:
• Abstract: For many recommender systems, the primary data source is a historical record of user clicks. The associated click matrix is often very sparse, as the number of users x products can be far larger than the number of clicks. Such sparsity is accentuated in cold-start settings, which makes the efficient use of metadata information of paramount importance. In this work, we propose a simple approach to address cold-start recommendations by leveraging content metadata, Metadata Alignment for cold-start Recommendation. We show that this approach can readily augment existing matrix factorization and autoencoder approaches, enabling a smooth transition to top performing algorithms in warmer set-ups. Our experimental results indicate three separate contributions: first, we show that our proposed framework largely beats SOTA results on 4 cold-start datasets with different sparsity and scale characteristics, with gains ranging from +8.4% to +53.8% on reported ranking metrics; second, we provide an ablation study on the utility of semantic features, and proves the additional gain obtained by leveraging such features ranges between +46.8% and +105.5%; and third, our approach is by construction highly competitive in warm set-ups, and we propose a closed-form solution outperformed by SOTA results by only 0.8% on average.
• Abstract（参考訳）: 多くのレコメンデーションシステムでは、主要なデータソースはユーザークリックの履歴記録である。 関連付けられたクリック行列は、ユーザx製品の数がクリック数よりもはるかに大きいため、しばしば非常に少ない。 このような疎度はコールドスタート設定でアクセント化され、最重要度の高いメタデータ情報を効率的に活用する。 そこで本研究では,コンテンツメタデータ,メタデータアライメントを利用したコールドスタートレコメンデーションの簡単なアプローチを提案する。 提案手法は,既存の行列因数分解とオートエンコーダアプローチを容易に拡張し,より温かいセットアップにおける上位処理アルゴリズムへのスムーズな遷移を可能にする。 実験結果から, 提案手法は, 4つの冷間開始データセットにおいて, 平均値が8.4%から+53.8%, 平均値が0.8%, 平均値が0.8%, 平均値が46.8%, +105.5%, そして, 提案手法は温間セットアップにおいて高い競争力を有すること, およびSOTAの結果が0.8%に向上した閉形式解を提案する。

関連論文リスト

• Language-Model Prior Overcomes Cold-Start Items [14.370472820496802]
  RecSysの成長は、デジタル化と、eコマースやビデオストリーミングなどの分野におけるパーソナライズされたコンテンツの必要性による。 コンテンツベースのレコメンデータやハイブリッドメソッドといったコールドスタート問題の既存のソリューションは、アイテムメタデータを活用してアイテムの類似性を決定する。 本稿では,言語モデル(LM)を用いて項目類似度を推定する,コールドスタートアイテムレコメンデーションのための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-11-13T22:45:52Z)
• Firzen: Firing Strict Cold-Start Items with Frozen Heterogeneous and Homogeneous Graphs for Recommendation [34.414081170244955]
  厳密なコールドスタートとウォームスタートのレコメンデーションを解決するために,項目と知識グラフのマルチモーダルコンテンツ(KG)を統合した統合フレームワークを提案する。 我々のモデルでは,厳密なコールドスタート勧告と,ウォームスタートシナリオにおける最先端性能に適合する性能の向上が期待できる。
  論文  参考訳（メタデータ） (2024-10-10T06:48:27Z)
• Recommender Systems Algorithm Selection for Ranking Prediction on Implicit Feedback Datasets [0.10241134756773229]
  72の推薦システムデータセットに対して,24の推薦システムアルゴリズムのNDCG@10を評価する。 メタモデルがアルゴリズムのランク付けに最適化された場合, メタモデル予測と基底真理の関係は平均0.124増加し, 平均0.124上昇することを示す。
  論文  参考訳（メタデータ） (2024-09-09T09:42:31Z)
• Aligning GPTRec with Beyond-Accuracy Goals with Reinforcement Learning [67.71952251641545]
  GPTRecはアイテム・バイ・イテムレコメンデーションのためのTop-Kモデルの代替品である。 GPTRecは,従来のグリーディ・リグレード手法よりも精度とセカンダリ・メトリクスのトレードオフが優れていることを示す。 2つのデータセットに対する実験により、GPTRecのNext-K生成アプローチは、古典的なグリージーな再ランク技術よりも精度と二次メトリクスのトレードオフが優れていることが示された。
  論文  参考訳（メタデータ） (2024-03-07T19:47:48Z)
• Diverse Preference Augmentation with Multiple Domains for Cold-start Recommendations [92.47380209981348]
  メタラーニングをベースとした多元的ドメインを用いた多元的推論拡張フレームワークを提案する。 我々は、疎結合の場合の過度な適合を扱うために、新しい関心領域において多様な評価を生成する。 これらの評価は、選好メタラーナーを学ぶためのメタトレーニング手順に導入され、優れた一般化能力が得られる。
  論文  参考訳（メタデータ） (2022-04-01T10:10:50Z)
• Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
  コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。 MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
  論文  参考訳（メタデータ） (2021-10-18T08:11:24Z)
• Privileged Graph Distillation for Cold Start Recommendation [57.918041397089254]
  レコメンデーションシステムにおけるコールドスタートの問題は、歴史的相互作用の記録のない属性に基づいて新しいユーザー(イテム)に推奨することである。 特権グラフ蒸留モデル(PGD)を提案する。 提案手法は,新規ユーザ,新規ユーザ,新規ユーザを対象とする異なるコールドスタートシナリオに適用可能である。
  論文  参考訳（メタデータ） (2021-05-31T14:05:27Z)
• Cold-start Sequential Recommendation via Meta Learner [10.491428090228768]
  本研究では,逐次推薦における項目コールドスタート問題を軽減するために,メタラーニングに基づくコールドスタートシーケンシャルレコメンデーションフレームワーク,mecosを提案する。 mecosは限られたインタラクションからユーザの好みを効果的に抽出し、ターゲットのコールドスタートアイテムと潜在的なユーザとのマッチングを学ぶ。
  論文  参考訳（メタデータ） (2020-12-10T05:23:13Z)
• Modurec: Recommender Systems with Feature and Time Modulation [50.51144496609274]
  特徴量変調機構を用いて利用可能な情報を全て組み合わせたオートエンコーダに基づくModurecを提案する。 Movielensデータセットでは、これらの修正によって、最も評価された設定で最先端の結果が得られます。
  論文  参考訳（メタデータ） (2020-10-13T09:18:33Z)

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。