論文の概要: Calibration-Disentangled Learning and Relevance-Prioritized Reranking for Calibrated Sequential Recommendation
- arxiv url: http://arxiv.org/abs/2408.02156v1
- Date: Sun, 4 Aug 2024 22:23:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-06 14:56:07.373975
- Title: Calibration-Disentangled Learning and Relevance-Prioritized Reranking for Calibrated Sequential Recommendation
- Title（参考訳）: Calibration-Disentangled Learning and Relevance-Prioritized Re rank for Calibrated Sequential Recommendation
- Authors: Hyunsik Jeon, Se-eun Yoon, Julian McAuley,
- Abstract要約: キャリブレーションされたレコメンデーションは、レコメンデーション内のカテゴリのパーソナライズされた比率を維持することを目的としている。
従来手法では、モデルトレーニング後のレコメンデーションをキャリブレーションするために、リグレードアルゴリズムを利用するのが一般的だった。
本稿では、シーケンシャルレコメンデーションのキャリブレーションのための新しいアプローチであるLeapRecを提案する。
- 参考スコア（独自算出の注目度）: 18.913912876509187
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Calibrated recommendation, which aims to maintain personalized proportions of categories within recommendations, is crucial in practical scenarios since it enhances user satisfaction by reflecting diverse interests. However, achieving calibration in a sequential setting (i.e., calibrated sequential recommendation) is challenging due to the need to adapt to users' evolving preferences. Previous methods typically leverage reranking algorithms to calibrate recommendations after training a model without considering the effect of calibration and do not effectively tackle the conflict between relevance and calibration during the reranking process. In this work, we propose LeapRec (Calibration-Disentangled Learning and Relevance-Prioritized Reranking), a novel approach for the calibrated sequential recommendation that addresses these challenges. LeapRec consists of two phases, model training phase and reranking phase. In the training phase, a backbone model is trained using our proposed calibration-disentangled learning-to-rank loss, which optimizes personalized rankings while integrating calibration considerations. In the reranking phase, relevant items are prioritized at the top of the list, with items needed for calibration following later to address potential conflicts between relevance and calibration. Through extensive experiments on four real-world datasets, we show that LeapRec consistently outperforms previous methods in the calibrated sequential recommendation. Our code is available at https://github.com/jeon185/LeapRec.
- Abstract（参考訳）: パーソナライズされたカテゴリの比率を維持することを目的としたキャリブレーションレコメンデーションは,多様な関心を反映してユーザの満足度を高めるため,実践的なシナリオにおいて重要である。
しかし、ユーザの進化する好みに適応する必要があるため、シーケンシャルな設定(すなわち、キャリブレーションされたシーケンシャルなレコメンデーション)でキャリブレーションを達成することは困難である。
従来の方法では、リグレードアルゴリズムを利用して、キャリブレーションの効果を考慮せずにモデルのトレーニング後のレコメンデーションをキャリブレーションし、リグレードプロセスにおける妥当性とキャリブレーションの競合に効果的に対処しない。
本稿では,これらの課題に対処するシーケンシャルレコメンデーションを校正するための新しいアプローチであるLeapRec(Calibration-Disentangled Learning and Relevance-Prioritized Re rank)を提案する。
LeapRecは2つのフェーズで構成されている。
トレーニングフェーズでは、キャリブレーションを考慮した学習とランクの損失を最適化し、キャリブレーションを考慮したバックボーンモデルを訓練する。
更新段階では、関連する項目がリストの一番上に優先順位付けされ、その後にキャリブレーションを行うために必要な項目は、関連性とキャリブレーションの間の潜在的な衝突に対処する。
実世界の4つのデータセットに関する広範な実験を通して、LeapRecはキャリブレーションされたシーケンシャルレコメンデーションにおいて、従来手法よりも一貫して優れていたことを示す。
私たちのコードはhttps://github.com/jeon185/LeapRec.orgから入手可能です。
関連論文リスト
- Optimizing Estimators of Squared Calibration Errors in Classification [2.3020018305241337]
本稿では,2乗キャリブレーション誤差の推定器の比較と最適化を可能にする平均二乗誤差に基づくリスクを提案する。
キャリブレーション誤差を推定する際のトレーニングバリデーションテストパイプラインを提案する。
論文 参考訳（メタデータ） (2024-10-09T15:58:06Z) - From Uncertainty to Precision: Enhancing Binary Classifier Performance
through Calibration [0.3495246564946556]
モデル予測スコアはイベント確率として一般的に見なされるので、キャリブレーションは正確な解釈に不可欠である。
歪み評価のための様々なキャリブレーション尺度の感度を解析し,改良された指標であるローカルスコアを導入する。
これらの知見をランダムフォレスト分類器と回帰器を用いて実世界のシナリオに適用し、キャリブレーションを同時に測定しながら信用デフォルトを予測する。
論文 参考訳（メタデータ） (2024-02-12T16:55:19Z) - Calibration by Distribution Matching: Trainable Kernel Calibration
Metrics [56.629245030893685]
カーネルベースのキャリブレーションメトリクスを導入し、分類と回帰の両方で一般的なキャリブレーションの形式を統一・一般化する。
これらの指標は、異なるサンプル推定を許容しており、キャリブレーションの目的を経験的リスク最小化に組み込むのが容易である。
決定タスクにキャリブレーションメトリクスを調整し、正確な損失推定を行ない、後悔しない決定を行うための直感的なメカニズムを提供する。
論文 参考訳（メタデータ） (2023-10-31T06:19:40Z) - Scaling of Class-wise Training Losses for Post-hoc Calibration [6.0632746602205865]
そこで本研究では,クラスレベルの学習損失を同期させるキャリブレーション手法を提案する。
複数のクラスワイドスケーリング因子を用いて、クラスワイドトレーニング損失の分散を軽減するために、新しいトレーニング損失を設計する。
種々のポストホックキャリブレーション手法を用いて,提案手法の有効性を検証した。
論文 参考訳（メタデータ） (2023-06-19T14:59:37Z) - Sharp Calibrated Gaussian Processes [58.94710279601622]
キャリブレーションされたモデルを設計するための最先端のアプローチは、ガウス過程の後方分散を膨らませることに依存している。
本稿では,バニラガウス過程の後方分散にインスパイアされた計算を用いて,予測量子化を生成するキャリブレーション手法を提案する。
我々のアプローチは合理的な仮定の下で校正されたモデルが得られることを示す。
論文 参考訳（メタデータ） (2023-02-23T12:17:36Z) - On Calibrating Semantic Segmentation Models: Analyses and An Algorithm [51.85289816613351]
セマンティックセグメンテーションキャリブレーションの問題について検討する。
モデルキャパシティ、作物サイズ、マルチスケールテスト、予測精度はキャリブレーションに影響を及ぼす。
我々は、単純で統一的で効果的なアプローチ、すなわち選択的スケーリングを提案する。
論文 参考訳（メタデータ） (2022-12-22T22:05:16Z) - Modular Conformal Calibration [80.33410096908872]
回帰における再校正のためのアルゴリズムを多種多様なクラスで導入する。
このフレームワークは、任意の回帰モデルをキャリブレーションされた確率モデルに変換することを可能にする。
我々は17の回帰データセットに対するMCCの実証的研究を行った。
論文 参考訳（メタデータ） (2022-06-23T03:25:23Z) - Localized Calibration: Metrics and Recalibration [133.07044916594361]
完全大域キャリブレーションと完全個別化キャリブレーションのギャップにまたがる細粒度キャリブレーション指標を提案する。
次に,局所再校正法であるLoReを導入し,既存の校正法よりもLCEを改善する。
論文 参考訳（メタデータ） (2021-02-22T07:22:12Z) - Unsupervised Calibration under Covariate Shift [92.02278658443166]
ドメインシフト下でのキャリブレーションの問題を導入し、それに対処するための重要サンプリングに基づくアプローチを提案する。
実世界のデータセットと合成データセットの両方において,本手法の有効性を評価し検討した。
論文 参考訳（メタデータ） (2020-06-29T21:50:07Z) - Quantile Regularization: Towards Implicit Calibration of Regression
Models [30.872605139672086]
2つのCDF間の累積KL分散として定義される新しい量子正規化器に基づく回帰モデルの校正法を提案する。
提案手法は,Dropout VI や Deep Ensembles といった手法を用いて学習した回帰モデルのキャリブレーションを大幅に改善することを示す。
論文 参考訳（メタデータ） (2020-02-28T16:53:41Z)
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。