論文の概要: EXIT: An EXplicit Interest Transfer Framework for Cross-Domain Recommendation

• arxiv url: http://arxiv.org/abs/2407.20121v1
• Date: Mon, 29 Jul 2024 15:52:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-30 13:15:14.415228
• Title: EXIT: An EXplicit Interest Transfer Framework for Cross-Domain Recommendation
• Title（参考訳）: EXIT: クロスドメインレコメンデーションのためのExplicit Interest Transfer Framework
• Authors: Lei Huang, Weitao Li, Chenrui Zhang, Jinpeng Wang, Xianchun Yi, Sheng Chen,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 20.402006751823322
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-domain recommendation has attracted substantial interest in industrial apps such as Meituan, which serves multiple business domains via knowledge transfer and meets the diverse interests of users. However, existing methods typically follow an implicit modeling paradigm that blends the knowledge from both the source and target domains, and design intricate network structures to share learned embeddings or patterns between domains to improve recommendation accuracy. Since the transfer of interest signals is unsupervised, these implicit paradigms often struggle with the negative transfer resulting from differences in service functions and presentation forms across different domains. In this paper, we propose a simple and effective EXplicit Interest Transfer framework named EXIT to address the stated challenge. Specifically, we propose a novel label combination approach that enables the model to directly learn beneficial source domain interests through supervised learning, while excluding inappropriate interest signals. Moreover, we introduce a scene selector network to model the interest transfer intensity under fine-grained scenes. Offline experiments conducted on the industrial production dataset and online A/B tests validate the superiority and effectiveness of our proposed framework. Without complex network structures or training processes, EXIT can be easily deployed in the industrial recommendation system. EXIT has been successfully deployed in the online homepage recommendation system of Meituan App, serving the main traffic.
• Abstract（参考訳）: クロスドメインレコメンデーションは、知識伝達を通じて複数のビジネスドメインを提供するMeituanのような産業アプリケーションに多大な関心を集めており、ユーザの多様な関心に応えている。 しかし、既存の手法は通常、ソースドメインとターゲットドメインの両方からの知識をブレンドする暗黙のモデリングパラダイムに従い、複雑なネットワーク構造を設計して、学習した埋め込みやドメイン間のパターンを共有することで、推奨精度を向上させる。 関心信号の転送は監視されないため、これらの暗黙のパラダイムはサービス機能と異なるドメイン間の表示形式の違いに起因する負の転送にしばしば苦労する。 本稿では,この課題に対処するため, 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。 具体的には、教師付き学習を通じて、不適切な興味信号を排除しながら、モデルが有益なソース領域の関心を直接学習することを可能にする新しいラベルの組み合わせアプローチを提案する。 さらに、細かなシーン下での利子伝達強度をモデル化するシーンセレクタネットワークを導入する。 産業生産データセットとオンラインA/Bテストのオフライン実験により,提案フレームワークの優位性と有効性について検証した。 複雑なネットワーク構造やトレーニングプロセスがなければ、EXITは産業レコメンデーションシステムに容易にデプロイできる。 EXITはMeituan Appのオンラインホームページレコメンデーションシステムで成功し、主要なトラフィックを提供している。

関連論文リスト

• Federated Graph Learning for Cross-Domain Recommendation [33.33321213257222]
  クロスドメインレコメンデーション(CDR)は、ソースドメインとターゲットドメイン間の知識伝達を可能にすることで、データ空間の問題に対する有望な解決策を提供する。 我々は、複数のソースドメインからの肯定的な知識を安全かつ効果的に活用する新しいグラフ学習フレームワークであるFedGCDRを提案する。 我々は、Amazonデータセットの16のポピュラーなドメインに関する広範な実験を行い、FedGCDRが最先端の手法を大幅に上回っていることを実証した。
  論文  参考訳（メタデータ） (2024-10-10T12:19:51Z)
• xTED: Cross-Domain Adaptation via Diffusion-Based Trajectory Editing [21.37585797507323]
  ドメイン間政策伝達手法は主に、ポリシー学習を容易にするために、ドメインの対応や修正を学習することを目的としている。 本稿では,クロスドメイントラジェクトリ適応のために特別に設計された拡散モデルを用いたクロスドメイントラジェクトリ・EDitingフレームワークを提案する。 提案するモデルアーキテクチャは,対象データ内の動的パターンだけでなく,状態,行動,報酬間の複雑な依存関係を効果的にキャプチャする。
  論文  参考訳（メタデータ） (2024-09-13T10:07:28Z)
• Domain-Aware Cross-Attention for Cross-domain Recommendation [4.602115311495822]
  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。
  論文  参考訳（メタデータ） (2024-01-22T06:12:48Z)
• Self-Supervised Interest Transfer Network via Prototypical Contrastive Learning for Recommendation [32.565226710636615]
  クロスドメイン・レコメンデーションは近年、産業やアカデミックから注目を集めている。 自己監督的関心伝達ネットワーク(SITN)を用いたクロスドメインレコメンデーション手法を提案する。 1)インスタンス間コントラスト学習,2)インスタンス間コントラスト学習,である。 我々は,世界有数のeコマース企業から収集した公開データセットと大規模産業データセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-02-28T09:30:24Z)
• Unsupervised Domain Adaptation via Style-Aware Self-intermediate Domain [52.783709712318405]
  非教師なしドメイン適応(UDA)は、ラベル豊富なソースドメインから関連するがラベルのないターゲットドメインに知識を伝達する、かなりの注目を集めている。 本研究では,大規模なドメインギャップと伝達知識を橋渡しし,クラス非ネイティブ情報の損失を軽減するために,SAFF(style-aware feature fusion)法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T10:06:03Z)
• Variational Transfer Learning using Cross-Domain Latent Modulation [1.9662978733004601]
  本稿では,効率的な転送学習を実現するために,新しいドメイン間遅延変調機構を変分オートエンコーダフレームワークに導入する。 ソース領域とターゲット領域の深部表現は、まず統一推論モデルにより抽出され、勾配逆数を用いて整列される。 学習した深層表現は、一貫性の制約が適用される代替ドメインの潜在エンコーディングにクロスモデレートされる。
  論文  参考訳（メタデータ） (2022-05-31T03:47:08Z)
• Adaptive Trajectory Prediction via Transferable GNN [74.09424229172781]
  本稿では,トランジタブルグラフニューラルネットワーク(Transferable Graph Neural Network, T-GNN)フレームワークを提案する。 具体的には、ドメイン固有知識が減少する構造運動知識を探索するために、ドメイン不変GNNを提案する。 さらに,注目に基づく適応的知識学習モジュールを提案し,知識伝達のための詳細な個別レベルの特徴表現について検討した。
  論文  参考訳（メタデータ） (2022-03-09T21:08:47Z)
• 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)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)
• 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)

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。