論文の概要: Personalized Multi-task Training for Recommender System

• arxiv url: http://arxiv.org/abs/2407.21364v1
• Date: Wed, 31 Jul 2024 06:27:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 18:50:04.969470
• Title: Personalized Multi-task Training for Recommender System
• Title（参考訳）: リコメンダシステムのためのパーソナライズされたマルチタスクトレーニング
• Authors: Liangwei Yang, Zhiwei Liu, Jianguo Zhang, Rithesh Murthy, Shelby Heinecke, Huan Wang, Caiming Xiong, Philip S. Yu,
• Abstract要約: PMTRecは、様々な情報ソースから包括的ユーザ/イテム埋め込みを得るための、最初のパーソナライズされたマルチタスク学習アルゴリズムである。 我々の貢献は、レコメンデーションシステムにおけるパーソナライズされたマルチタスクトレーニングを促進するための新しい道を開く。
• 参考スコア（独自算出の注目度）: 80.23030752707916
• License:
• Abstract: In the vast landscape of internet information, recommender systems (RecSys) have become essential for guiding users through a sea of choices aligned with their preferences. These systems have applications in diverse domains, such as news feeds, game suggestions, and shopping recommendations. Personalization is a key technique in RecSys, where modern methods leverage representation learning to encode user/item interactions into embeddings, forming the foundation for personalized recommendations. However, integrating information from multiple sources to enhance recommendation performance remains challenging. This paper introduces a novel approach named PMTRec, the first personalized multi-task learning algorithm to obtain comprehensive user/item embeddings from various information sources. Addressing challenges specific to personalized RecSys, we develop modules to handle personalized task weights, diverse task orientations, and variations in gradient magnitudes across tasks. PMTRec dynamically adjusts task weights based on gradient norms for each user/item, employs a Task Focusing module to align gradient combinations with the main recommendation task, and uses a Gradient Magnitude Balancing module to ensure balanced training across tasks. Through extensive experiments on three real-world datasets with different scales, we demonstrate that PMTRec significantly outperforms existing multi-task learning methods, showcasing its effectiveness in achieving enhanced recommendation accuracy by leveraging multiple tasks simultaneously. Our contributions open new avenues for advancing personalized multi-task training in recommender systems.
• Abstract（参考訳）: インターネット情報の世界では、リコメンダシステム(RecSys)がユーザの好みに合わせた選択肢の海を案内するために欠かせないものになっている。 これらのシステムは、ニュースフィード、ゲーム提案、ショッピングレコメンデーションといった様々な分野に応用されている。 パーソナライズ(Personalization)はRecSysの重要なテクニックであり、モダンな手法は表現学習を利用してユーザ/イテムインタラクションを埋め込みにエンコードし、パーソナライズされたレコメンデーションの基盤を形成する。 しかし、複数のソースからの情報を統合してレコメンデーション性能を高めることは依然として困難である。 本稿では,PMTRecという新しい手法を提案する。PMTRecは,様々な情報ソースから包括的ユーザ/イテム埋め込みを得るための,最初のパーソナライズされたマルチタスク学習アルゴリズムである。 パーソナライズされたRecSysに特有の課題に対処するため、パーソナライズされたタスクの重み、タスク指向の多様性、タスク間の勾配等級のばらつきに対処するモジュールを開発する。 PMTRecは、ユーザ毎の勾配基準に基づいてタスクウェイトを動的に調整し、メインレコメンデーションタスクと勾配の組み合わせを調整するためにTask Focusingモジュールを使用し、タスク間のバランスの取れたトレーニングを保証するためにGradient Magnitude Balancingモジュールを使用する。 異なるスケールの3つの実世界のデータセットに対する広範な実験を通して、PMTRecは既存のマルチタスク学習方法よりも大幅に優れており、複数のタスクを同時に活用してレコメンデーション精度の向上に有効であることを示す。 我々の貢献は、レコメンデーションシステムにおけるパーソナライズされたマルチタスクトレーニングを促進するための新しい道を開く。

関連論文リスト

• A Parameter Update Balancing Algorithm for Multi-task Ranking Models in Recommendation Systems [19.338997746519897]
  マルチタスクランキングモデルは、現代の現実世界のレコメンデーションシステムに欠かせないものとなっている。 すべてのタスクを神経的に訓練することは、一貫性のない学習をもたらす。 PUBと呼ばれるマルチタスク最適化のための新しい更新バランシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-08T08:39:15Z)
• Enhancing Few-Shot Transfer Learning with Optimized Multi-Task Prompt Tuning through Modular Prompt Composition [0.0]
  マルチタスクのプロンプトチューニングは、その固有のモジュラリティと、パラメータ効率のよい転送学習を向上する可能性に対して、かなりの注意を払っている。 本稿では,マルチタスク環境において,対応するプロンプト間の知識伝達を容易にすることで,複数のタスクのパフォーマンスを解析・改善することを目的とする。
  論文  参考訳（メタデータ） (2024-08-23T17:01:51Z)
• Denoising Pre-Training and Customized Prompt Learning for Efficient Multi-Behavior Sequential Recommendation [69.60321475454843]
  マルチビヘイビアシークエンシャルレコメンデーションに適した,最初の事前学習および迅速な学習パラダイムであるDPCPLを提案する。 事前学習段階において,複数の時間スケールでノイズを除去する新しい行動マイナ (EBM) を提案する。 次に,提案するCustomized Prompt Learning (CPL)モジュールを用いて,事前学習したモデルを高効率にチューニングすることを提案する。
  論文  参考訳（メタデータ） (2024-08-21T06:48:38Z)
• Towards Unified Multi-Modal Personalization: Large Vision-Language Models for Generative Recommendation and Beyond [87.1712108247199]
  我々の目標は、マルチモーダルパーソナライゼーションシステム(UniMP)のための統一パラダイムを確立することである。 我々は、幅広いパーソナライズされたニーズに対処できる汎用的でパーソナライズされた生成フレームワークを開発する。 我々の手法は、パーソナライズされたタスクのための基礎言語モデルの能力を高める。
  論文  参考訳（メタデータ） (2024-03-15T20:21:31Z)
• Multitask Prompt Tuning Enables Parameter-Efficient Transfer Learning [43.639430661322585]
  マルチタスク・プロンプト・チューニング(MPT)を提案する。 MPTは複数のタスク固有のソースプロンプトから知識を抽出することで単一の転送可能なプロンプトを学習する。 次に、この共有プロンプトに対する乗算的低ランク更新を学習し、各下流ターゲットタスクに効率よく適応する。
  論文  参考訳（メタデータ） (2023-03-06T03:25:59Z)
• Knowledge Enhancement for Multi-Behavior Contrastive Recommendation [39.50243004656453]
  本稿では,KMCLR(Knowledge Enhancement Multi-Behavior Contrastive Learning Recommendation)フレームワークを提案する。 本研究では,ユーザのパーソナライズされた行動情報を抽出し,ユーザ埋め込み強化のためのマルチ行動学習モジュールを設計する。 最適化段階では、粗粒度共通性とユーザの複数行動間の微粒度差をモデル化し、推奨効果をさらに改善する。
  論文  参考訳（メタデータ） (2023-01-13T06:24:33Z)
• Effective Adaptation in Multi-Task Co-Training for Unified Autonomous Driving [103.745551954983]
  本稿では,3つの下流タスクにおけるMoCoやSimCLRなど,多種多様な自己監督手法の転送性能について検討する。 彼らのパフォーマンスは、サブ最適か、あるいはシングルタスクベースラインよりもはるかに遅れていることに気付きました。 汎用マルチタスクトレーニングのための,単純かつ効果的な事前訓練-適応-ファインチューンパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-09-19T12:15:31Z)
• Task Adaptive Parameter Sharing for Multi-Task Learning [114.80350786535952]
  Adaptive Task Adapting Sharing(TAPS)は、階層の小さなタスク固有のサブセットを適応的に修正することで、ベースモデルを新しいタスクにチューニングする手法である。 他の手法と比較して、TAPSはダウンストリームタスクに対して高い精度を維持し、タスク固有のパラメータは少ない。 我々は,タスクやアーキテクチャ(ResNet,DenseNet,ViT)を微調整して評価し,実装が簡単でありながら最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2022-03-30T23:16:07Z)
• Multi-Task Learning with Sequence-Conditioned Transporter Networks [67.57293592529517]
  シーケンスコンディショニングと重み付きサンプリングのレンズによるマルチタスク学習の実現を目指している。 合成タスクを対象とした新しいベンチマークであるMultiRavensを提案する。 次に,視覚に基づくエンドツーエンドシステムアーキテクチャであるSequence-Conditioned Transporter Networksを提案する。
  論文  参考訳（メタデータ） (2021-09-15T21:19:11Z)
• A Brief Review of Deep Multi-task Learning and Auxiliary Task Learning [0.0]
  マルチタスク学習(MTL)は、複数の学習タスクを同時に最適化する。 パフォーマンスを高めるために、補助的なタスクをメインタスクに追加することができる。
  論文  参考訳（メタデータ） (2020-07-02T14:23:39Z)

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。