論文の概要: Cross-domain Transfer of Valence Preferences via a Meta-optimization Approach
- arxiv url: http://arxiv.org/abs/2406.16494v1
- Date: Mon, 24 Jun 2024 10:02:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-25 15:24:04.664569
- Title: Cross-domain Transfer of Valence Preferences via a Meta-optimization Approach
- Title(参考訳): メタ最適化手法によるValence Preferenceのドメイン間転送
- Authors: Chuang Zhao, Hongke Zhao, Ming He, Xiaomeng Li, Jianping Fan,
- Abstract要約: CVPMはメタラーニングと自己教師型学習のハイブリッドアーキテクチャとして、ドメイン間の関心伝達を形式化する。
ユーザの好みに対する深い洞察を得て、差別化されたエンコーダを使って分布を学習する。
特に、各ユーザのマッピングを共通の変換とパーソナライズされたバイアスの2つの部分として扱い、そこでは、パーソナライズされたバイアスを生成するネットワークがメタラーナーによって出力される。
- 参考スコア(独自算出の注目度): 17.545983294377958
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cross-domain recommendation offers a potential avenue for alleviating data sparsity and cold-start problems. Embedding and mapping, as a classic cross-domain research genre, aims to identify a common mapping function to perform representation transformation between two domains. Nevertheless, previous coarse-grained preference representations, non-personalized mapping functions, and excessive reliance on overlapping users limit their performance, especially in scenarios where overlapping users are sparse. To address aforementioned challenges, we propose a novel cross-domain approach, namely CVPM. CVPM formalizes cross-domain interest transfer as a hybrid architecture of parametric meta-learning and self-supervised learning, which not only transfers user preferences at a finer level, but also enables signal enhancement with the knowledge of non-overlapping users. Specifically, with deep insights into user preferences and valence preference theory, we believe that there exists significant difference between users' positive preferences and negative behaviors, and thus employ differentiated encoders to learn their distributions. In particular, we further utilize the pre-trained model and item popularity to sample pseudo-interaction items to ensure the integrity of both distributions. To guarantee the personalization of preference transfer, we treat each user's mapping as two parts, the common transformation and the personalized bias, where the network used to generate the personalized bias is output by a meta-learner. Furthermore, in addition to the supervised loss for overlapping users, we design contrastive tasks for non-overlapping users from both group and individual-levels to avoid model skew and enhance the semantics of representations. Exhaustive data analysis and extensive experimental results demonstrate the effectiveness and advancement of our proposed framework.
- Abstract(参考訳): クロスドメインレコメンデーションは、データのスパーシリティとコールドスタート問題を緩和するための潜在的な道を提供する。
埋め込みとマッピングは、古典的なクロスドメイン研究のジャンルとして、2つのドメイン間の表現変換を実行する共通のマッピング関数を特定することを目的としている。
それにもかかわらず、特に重複するユーザが不足しているシナリオでは、従来の粗い好み表現、非個人化マッピング機能、重複するユーザの過度な依存がパフォーマンスを制限している。
上記の課題に対処するため,CVPMという新しいドメイン間アプローチを提案する。
CVPMは、パラメトリックメタラーニングと自己教師付き学習のハイブリッドアーキテクチャとして、ドメイン間の関心伝達を形式化する。
具体的には,ユーザの嗜好と有能な嗜好理論に対する深い洞察から,ユーザの肯定的な嗜好と否定的な行動の間には有意な違いがあると考え,その分布を学習するために区別エンコーダを用いる。
特に、事前学習されたモデルとアイテムの人気を利用して擬似相互作用アイテムをサンプリングし、両分布の整合性を確保する。
嗜好伝達のパーソナライズを保証するために、各ユーザのマッピングを共通の変換とパーソナライズされたバイアスの2つの部分として扱い、そこで、パーソナライズされたバイアスを生成するネットワークをメタラーナーによって出力する。
さらに、重複するユーザに対する教師付き損失に加えて、グループレベルと個人レベルの両方から重複しないユーザに対するコントラスト的タスクを設計し、モデルスキューを回避し、表現の意味論を強化する。
実験データ分析と広範囲な実験結果から,提案手法の有効性と進歩が示された。
関連論文リスト
- Cross-Domain Causal Preference Learning for Out-of-Distribution Recommendation [0.8315707564931466]
現在の推奨システムは、トレーニングとテストデータセットが同じ分布を持つという仮定に依存している。
本研究では,CDCOR(Out-of-Distribution Recommendation)のためのクロスドメイン因果選好学習モデルを提案する。
論文 参考訳(メタデータ) (2024-04-23T09:21:15Z) - Cross-domain recommendation via user interest alignment [20.387327479445773]
クロスドメインレコメンデーションは、複数のドメインからの知識を活用して、従来のレコメンデーションシステムにおけるデータの分散性とコールドスタートの問題を軽減することを目的としている。
このアプローチの一般的な実践は、各ドメインに個別にユーザ埋め込みをトレーニングし、それらを平易な方法で集約することです。
本稿では,2つのドメインの推薦性能を改善するために,新しいドメイン間推薦フレームワークであるCOASTを提案する。
論文 参考訳(メタデータ) (2023-01-26T23:54:41Z) - 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) - Transfer of codebook latent factors for cross-domain recommendation with
non-overlapping data [5.145146101802871]
Data Sparsityは、協調フィルタリング技術における大きな欠点の1つだ。
本稿では,クロスドメインレコメンデーションのための新しいトランスファー学習手法を提案する。
論文 参考訳(メタデータ) (2022-03-26T05:26:39Z) - Low-confidence Samples Matter for Domain Adaptation [47.552605279925736]
ドメイン適応(DA)は、知識をラベルの豊富なソースドメインから関連するがラベルの少ないターゲットドメインに転送することを目的としている。
低信頼度サンプルの処理による新しいコントラスト学習法を提案する。
提案手法を教師なしと半教師付きの両方のDA設定で評価する。
論文 参考訳(メタデータ) (2022-02-06T15:45:45Z) - 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) - Coarse to Fine: Domain Adaptive Crowd Counting via Adversarial Scoring
Network [58.05473757538834]
本稿では,ドメイン間のギャップを粗い粒度から細かな粒度に埋める新しい逆スコアリングネットワーク (ASNet) を提案する。
3組のマイグレーション実験により,提案手法が最先端のカウント性能を実現することを示す。
論文 参考訳(メタデータ) (2021-07-27T14:47:24Z) - 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) - Instance Level Affinity-Based Transfer for Unsupervised Domain
Adaptation [74.71931918541748]
ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。
まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。
ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
論文 参考訳(メタデータ) (2021-04-03T01:33:14Z) - TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain
Gait Recognition [77.77786072373942]
本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。
我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。
提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
論文 参考訳(メタデータ) (2021-02-09T03:07:07Z)
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。