論文の概要: Matryoshka Representation Learning for Recommendation

• arxiv url: http://arxiv.org/abs/2406.07432v1
• Date: Tue, 11 Jun 2024 16:34:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 22:09:01.858551
• Title: Matryoshka Representation Learning for Recommendation
• Title（参考訳）: 推薦のためのマトリオシュカ表現学習
• Authors: Riwei Lai, Li Chen, Weixin Chen, Rui Chen,
• Abstract要約: MRL4Rec(Mathryoshka representation learning for recommendation)を提案する。 ユーザとアイテムのベクターを漸進的に次元と重なり合うベクトル空間でマトリシカ表現に再構成し、ユーザの好みとアイテムの特徴を異なる階層レベルで明示的に表現する。 MRL4Recは、いくつかの実生活データセットにおいて、多くの最先端の競合より一貫して、実質的に優れることを示す実験である。
• 参考スコア（独自算出の注目度）: 12.065963915376866
• License:
• Abstract: Representation learning is essential for deep-neural-network-based recommender systems to capture user preferences and item features within fixed-dimensional user and item vectors. Unlike existing representation learning methods that either treat each user preference and item feature uniformly or categorize them into discrete clusters, we argue that in the real world, user preferences and item features are naturally expressed and organized in a hierarchical manner, leading to a new direction for representation learning. In this paper, we introduce a novel matryoshka representation learning method for recommendation (MRL4Rec), by which we restructure user and item vectors into matryoshka representations with incrementally dimensional and overlapping vector spaces to explicitly represent user preferences and item features at different hierarchical levels. We theoretically establish that constructing training triplets specific to each level is pivotal in guaranteeing accurate matryoshka representation learning. Subsequently, we propose the matryoshka negative sampling mechanism to construct training triplets, which further ensures the effectiveness of the matryoshka representation learning in capturing hierarchical user preferences and item features. The experiments demonstrate that MRL4Rec can consistently and substantially outperform a number of state-of-the-art competitors on several real-life datasets. Our code is publicly available at https://github.com/Riwei-HEU/MRL.
• Abstract（参考訳）: ディープ・ニューラル・ネットワーク・ベースのレコメンデータシステムでは, ユーザの好みやアイテムの特徴を一定次元のユーザベクトルやアイテムベクトルで捉えるために, 表現学習が不可欠である。 各ユーザの嗜好や項目の特徴を一様に扱う、あるいは個別のクラスタに分類する既存の表現学習方法とは異なり、実世界では、ユーザの選好や項目の特徴が自然に階層的に表現され、組織化され、表現学習の新しい方向性が導かれる。 本稿では,MRL4Rec(Mathryoshka representation learning for recommendation)を提案する。ユーザベクトルとアイテムベクトルを漸進的に次元と重なり合うベクトル空間に再構成することで,ユーザの好みやアイテムの特徴を階層的に明確に表現する。 理論上,各レベル固有のトレーニング三重項の構築は,正確な行列式表現学習を保証する上で重要であることが確認された。 次に,学習用トレーレットを構築するためのマツリシカ陰性サンプリング機構を提案し,階層的なユーザ嗜好やアイテムの特徴を捉える上で,マツリシカ表現学習の有効性をさらに確保する。 実験の結果、MRL4Recは、いくつかの実生活データセットにおいて、多くの最先端の競合より一貫して、実質的に優れていることが示された。 私たちのコードはhttps://github.com/Riwei-HEU/MRL.comで公開されています。

関連論文リスト

• Towards Realistic Zero-Shot Classification via Self Structural Semantic Alignment [53.2701026843921]
  大規模事前訓練型視覚言語モデル(VLM)はゼロショット分類に有効であることが証明されている。 本稿では,アノテーションではなく,より広い語彙を前提とした,より難易度の高いゼロショット分類(Realistic Zero-Shot Classification)を提案する。 本稿では,ラベルのないデータから構造意味情報を抽出し,同時に自己学習を行う自己構造意味アライメント(S3A)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-24T17:56:46Z)
• 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)
• MOCA: Self-supervised Representation Learning by Predicting Masked Online Codebook Assignments [72.6405488990753]
  自己教師付き学習は、ビジョントランスフォーマーネットワークの欲求を軽減できる。 所望のプロパティを統一する単段および単段のMOCAを提案する。 我々は,様々な評価プロトコルにおいて,低照度設定と強力な実験結果に対して,最先端の新たな結果を得る。
  論文  参考訳（メタデータ） (2023-07-18T15:46:20Z)
• Personalized Federated Learning with Feature Alignment and Classifier Collaboration [13.320381377599245]
  データの不均一性は、フェデレートラーニングにおける最も難しい問題の1つです。 ディープニューラルネットワークベースのタスクにおけるそのようなアプローチの1つは、共有された特徴表現を採用し、クライアントごとにカスタマイズされた分類子ヘッドを学ぶことである。 本研究では,グローバルなセマンティックな知識を活用して,より優れた表現を学習することで,ローカル・グローバルな特徴アライメントを実現する。
  論文  参考訳（メタデータ） (2023-06-20T19:58:58Z)
• MetaViewer: Towards A Unified Multi-View Representation [29.71883878740635]
  本稿では,二段階最適化に基づく新しい多視点学習フレームワークを提案する。 具体的には、メタラーナー、すなわちMetaViewerを訓練し、融合を学び、ビュー共有メタ表現をモデル化します。
  論文  参考訳（メタデータ） (2023-03-11T07:17:28Z)
• The Minority Matters: A Diversity-Promoting Collaborative Metric Learning Algorithm [154.47590401735323]
  CML(Collaborative Metric Learning)は、リコメンデーションシステムにおいて人気のある手法として最近登場した。 本稿では,ユーザが複数のカテゴリの関心を持つ,困難なシナリオに焦点をあてる。 textitDiversity-Promoting Collaborative Metric Learning (DPCML) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-09-30T08:02:18Z)
• Adapting Triplet Importance of Implicit Feedback for Personalized Recommendation [43.85549591503592]
  インプシットフィードバックは、パーソナライズされたレコメンデーションサービスを開発するために頻繁に使用される。 本稿では,Triplet Importance Learning (TIL) という新たなトレーニングフレームワークを提案する。 提案手法は,トップkレコメンデーションのRecall@kにおいて,既存モデルよりも3～21%優れていた。
  論文  参考訳（メタデータ） (2022-08-02T19:44:47Z)
• Towards Universal Sequence Representation Learning for Recommender Systems [98.02154164251846]
  我々はUniSRecという新しいユニバーサルシーケンス表現学習手法を提案する。 提案手法は、項目の関連記述テキストを用いて、異なる推薦シナリオ間で転送可能な表現を学習する。 我々のアプローチは、パラメータ効率のよい方法で、新しいレコメンデーションドメインやプラットフォームに効果的に移行できます。
  論文  参考訳（メタデータ） (2022-06-13T07:21:56Z)
• Exploiting Behavioral Consistence for Universal User Representation [11.290137806288191]
  我々は普遍的ユーザ表現モデルの開発に注力する。 得られた普遍表現には豊富な情報が含まれることが予想される。 行動データを普遍表現にエンコードする自己監視型ユーザモデリングネットワーク(SUMN)を提案する。
  論文  参考訳（メタデータ） (2020-12-11T06:10:14Z)
• Learning and Evaluating Representations for Deep One-class Classification [59.095144932794646]
  ディープワンクラス分類のための2段階フレームワークを提案する。 まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。 実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
  論文  参考訳（メタデータ） (2020-11-04T23:33:41Z)

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。