論文の概要: MIMNet: Multi-Interest Meta Network with Multi-Granularity Target-Guided Attention for Cross-domain Recommendation

• arxiv url: http://arxiv.org/abs/2408.00038v1
• Date: Wed, 31 Jul 2024 13:30:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 18:50:04.211844
• Title: MIMNet: Multi-Interest Meta Network with Multi-Granularity Target-Guided Attention for Cross-domain Recommendation
• Title（参考訳）: MIMNet:クロスドメインレコメンデーションのためのマルチグラニュラリティターゲット誘導型マルチゲストメタネットワーク
• Authors: Xiaofei Zhu, Yabo Yin, Li Wang,
• Abstract要約: クロスドメインレコメンデーション(CDR)は、スパーシリティとコールドスタートの問題を緩和する上で重要な役割を果たす。 クロスドメインレコメンデーションのためのMIMNet(Multi-interest Meta Network)を提案する。
• 参考スコア（独自算出の注目度）: 6.7902741961967
• License:
• Abstract: Cross-domain recommendation (CDR) plays a critical role in alleviating the sparsity and cold-start problem and substantially boosting the performance of recommender systems. Existing CDR methods prefer to either learn a common preference bridge shared by all users or a personalized preference bridge tailored for each user to transfer user preference from the source domain to the target domain. Although these methods significantly improve the recommendation performance, there are still some limitations. First, these methods usually assume a user only has a unique interest, while ignoring the fact that a user may interact with items with different interest preferences. Second, they learn transformed preference representation mainly relies on the source domain signals, while neglecting the rich information available in the target domain. To handle these issues, in this paper, we propose a novel method named Multi-interest Meta Network with Multi-granularity Target-guided Attention (MIMNet) for cross-domain recommendation. To be specific, we employ the capsule network to learn user multiple interests in the source domain, which will be fed into a meta network to generate multiple interest-level preference bridges. Then, we transfer user representations from the source domain to the target domain based on these multi-interest bridges. In addition, we introduce both fine-grained and coarse-grained target signals to aggregate user transformed interest-level representations by incorporating a novel multi-granularity target-guided attention network. We conduct extensive experimental results on three real-world CDR tasks, and the results show that our proposed approach MIMNet consistently outperforms all baseline methods. The source code of MIMNet is released at https://github.com/marqu22/MIMNet.
• Abstract（参考訳）: クロスドメインレコメンデーション(CDR)は、スパーシリティとコールドスタートの問題を緩和し、リコメンダシステムの性能を大幅に向上させる上で重要な役割を担っている。 既存のCDRメソッドでは、すべてのユーザが共有する共通の嗜好ブリッジを学習するか、ソースドメインからターゲットドメインにユーザー好みを転送するために各ユーザ用にカスタマイズされたパーソナライズされた選好ブリッジを学習する。 これらの手法はレコメンデーションのパフォーマンスを大幅に改善するが、まだいくつかの制限がある。 第一に、これらの手法は、ユーザーが興味を持つものだけを持っていると仮定するが、ユーザーは異なる好みのアイテムと対話できるという事実を無視する。 第二に、変換された好み表現は、主にソースドメイン信号に依存し、ターゲットドメインで利用可能な豊富な情報を無視する。 これらの問題に対処するため,クロスドメインレコメンデーションのためのMulti-interest Meta Network with Multi-granularity Target-guided Attention (MIMNet)を提案する。 具体的には、カプセルネットワークを用いて、ソースドメインにおけるユーザの複数の関心を学習し、メタネットワークに入力して複数の関心レベル優先ブリッジを生成する。 次に、これらの多目的ブリッジに基づいて、ユーザ表現をソースドメインからターゲットドメインに転送する。 さらに,マルチグラニュラリティターゲット誘導型アテンションネットワークを組み込むことにより,ユーザ変換された関心レベル表現を集約するために,微粒化と粗粒化の両方のターゲット信号を導入する。 実世界の3つのCDRタスクに対して広範囲に実験を行い,提案手法のMIMNetによる提案手法が一貫したベースライン法よりも優れていることを示す。 MIMNetのソースコードはhttps://github.com/marqu22/MIMNetで公開されている。

関連論文リスト

• Exploring User Retrieval Integration towards Large Language Models for Cross-Domain Sequential Recommendation [66.72195610471624]
  Cross-Domain Sequential Recommendationは、異なるドメイン間でユーザのシーケンシャルな好みをマイニングし、転送することを目的としている。 本稿では,ユーザ検索手法を探索し,CDSRの性能向上を目的とした URLLM という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-05T09:19:54Z)
• Mixed Attention Network for Cross-domain Sequential Recommendation [63.983590953727386]
  ドメイン固有・クロスドメイン情報を抽出するために,ローカル・グローバル・アテンション・モジュールを用いた混在注意ネットワーク(MAN)を提案する。 2つの実世界のデータセットに対する実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2023-11-14T16:07:16Z)
• 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)
• META: Mimicking Embedding via oThers' Aggregation for Generalizable Person Re-identification [68.39849081353704]
  Domain Generalizable (DG) Person Re-identification (ReID)は、トレーニング時に対象のドメインデータにアクセスすることなく、見えないドメインをまたいでテストすることを目的としている。 本稿では,DG ReID のための OThers' Aggregation (META) を用いた Mimicking Embedding という新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T08:06:50Z)
• 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)
• Transfer-Meta Framework for Cross-domain Recommendation to Cold-Start Users [31.949188328354854]
  クロスドメインレコメンデーション(CDR)は、補助的な(ソース)ドメインからの豊富な情報を使用して、ターゲットドメインにおけるレコメンダシステムの性能を改善する。 トランスファーステージとメタステージを有するCDR(TMCDR)のためのトランスファーメタフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-11T05:15:53Z)
• CATN: Cross-Domain Recommendation for Cold-Start Users via Aspect Transfer Network [49.35977893592626]
  コールドスタートユーザのためのアスペクト転送ネットワークによるクロスドメインレコメンデーションフレームワーク(CATN)を提案する。 CATNは、レビュー文書から各ユーザと各アイテムの複数のアスペクトを抽出し、注意機構を用いてドメイン間のアスペクト相関を学習する。 実世界のデータセットでは、提案したCATNは、評価予測精度の点でSOTAモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2020-05-21T10:05:19Z)

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。