論文の概要: A Unified Framework for Cross-Domain Recommendation

• arxiv url: http://arxiv.org/abs/2409.04540v1
• Date: Fri, 06 Sep 2024 18:10:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 16:25:15.119048
• Title: A Unified Framework for Cross-Domain Recommendation
• Title（参考訳）: クロスドメインレコメンデーションのための統一フレームワーク
• Authors: Jiangxia Cao, Shen Wang, Gaode Chen, Rui Huang, Shuang Yang, Zhaojie Liu, Guorui Zhou,
• Abstract要約: クロスドメイン勧告は有望な方法論として現れます。 我々は、以前のSOTAモデルであるUniCDRを、UniCDR+という名前の5つの異なる側面で拡張する。 我々の作業はクアイシュ州リビング・ルーム・RecSysで成功裏に展開されました。
• 参考スコア（独自算出の注目度）: 15.987800946057343
• License:
• Abstract: In addressing the persistent challenges of data-sparsity and cold-start issues in domain-expert recommender systems, Cross-Domain Recommendation (CDR) emerges as a promising methodology. CDR aims at enhancing prediction performance in the target domain by leveraging interaction knowledge from related source domains, particularly through users or items that span across multiple domains (e.g., Short-Video and Living-Room). For academic research purposes, there are a number of distinct aspects to guide CDR method designing, including the auxiliary domain number, domain-overlapped element, user-item interaction types, and downstream tasks. With so many different CDR combination scenario settings, the proposed scenario-expert approaches are tailored to address a specific vertical CDR scenario, and often lack the capacity to adapt to multiple horizontal scenarios. In an effect to coherently adapt to various scenarios, and drawing inspiration from the concept of domain-invariant transfer learning, we extend the former SOTA model UniCDR in five different aspects, named as UniCDR+. Our work was successfully deployed on the Kuaishou Living-Room RecSys.
• Abstract（参考訳）: ドメインエキスパートレコメンデータシステムにおけるデータスパーシティーとコールドスタート問題の永続的な課題に対処するために、クロスドメインレコメンデーション(CDR)が有望な方法論として登場します。 CDRは、特に複数のドメインにまたがるユーザやアイテム(例えば、ショートビデオ、リビング・ルーム)を通じて、関連するソースドメインからのインタラクション知識を活用することで、ターゲットドメインの予測性能を向上させることを目的としている。 学術的な研究目的のために、補助的なドメイン番号、ドメインオーバーラップされた要素、ユーザとイテムのインタラクションタイプ、下流タスクなど、CDRメソッド設計を導くためのさまざまな側面がある。 多くの異なるCDR組み合わせシナリオ設定により、提案されたシナリオ-エキスパートアプローチは、特定の垂直CDRシナリオに対処するように調整され、しばしば複数の水平シナリオに適応する能力に欠ける。 ドメイン不変トランスファー学習の概念から着想を得て,様々なシナリオに一貫性を持って適応するために,従来のSOTAモデルであるUniCDRを,UniCDR+という名称で5つの面で拡張する。 我々の作業はクアイシュ州リビング・ルーム・RecSysで成功裏に展開されました。

関連論文リスト

• MDAP: A Multi-view Disentangled and Adaptive Preference Learning Framework for Cross-Domain Recommendation [63.27390451208503]
  クロスドメインレコメンデーションシステムは、マルチドメインユーザインタラクションを活用してパフォーマンスを向上させる。 マルチビュー・ディスタングル・アダプティブ・プライスラーニング・フレームワークを提案する。 当社のフレームワークはマルチビューエンコーダを使用して,多様なユーザの好みをキャプチャする。
  論文  参考訳（メタデータ） (2024-10-08T10:06:45Z)
• Graph Signal Processing for Cross-Domain Recommendation [37.87497277046321]
  クロスドメインレコメンデーション(CDR)は、高密度ドメインからのユーザ-イテムインタラクションを活用して、データ空間とコールドスタート問題を緩和することにより、従来のレコメンデーションシステムを拡張する。 既存のCDR手法の多くは、重複するユーザの割合と、ソースドメインとターゲットドメインの固有の相違に敏感である。 GSPに基づく統一CDRフレームワークであるCGSPを提案し、ターゲットのみの類似性とソースブリッジの類似性を柔軟に組み合わせて構築されたクロスドメイン類似性グラフを利用する。
  論文  参考訳（メタデータ） (2024-07-17T07:52:45Z)
• Hyperbolic Knowledge Transfer in Cross-Domain Recommendation System [28.003142450569452]
  CDR(Cross-Domain Recommendation)は、異なるドメインからの知識を活用して、ターゲットのレコメンデーションドメインにおけるデータ空間の問題を軽減する。 現在のほとんどのメソッドはユークリッド空間のユーザやアイテムを表していますが、これは長い尾の分散データを扱うには理想的ではありません。 我々は,各ドメインのユニークな特徴を捉えるために,Hyperbolic Contrastive Learning (HCTS)と呼ばれる新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-06-25T05:35:02Z)
• Semantic Feature Learning for Universal Unsupervised Cross-Domain Retrieval [10.270998709614538]
  本稿では,Universal Unsupervised Cross-Domain Retrieval (U2CDR) の問題を初めて紹介する。 第1段階では、インスタンスプロトタイプ混合コントラスト損失のガイダンスに基づいて、クロスドメイン統一構造が確立される。 第2段階では、修正された対向訓練機構により、ドメインアライメント中に確立された原型構造に対して最小限の変更が保証される。
  論文  参考訳（メタデータ） (2024-03-08T21:56:00Z)
• Cross-Domain Few-Shot Segmentation via Iterative Support-Query Correspondence Mining [81.09446228688559]
  Cross-Domain Few-Shots (CD-FSS) は、限定された例のみを用いて、異なるドメインから新しいカテゴリを分割するという課題を提起する。 本稿では,CD-FSSの課題に対処する新しいクロスドメイン微調整手法を提案する。
  論文  参考訳（メタデータ） (2024-01-16T14:45:41Z)
• 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)
• A Survey on Cross-domain Recommendation: Taxonomies, Methods, and Future Directions [27.894300356732696]
  本稿では,異なるレコメンデーションシナリオとレコメンデーションタスクを分類するクロスドメインレコメンデーションの2段階の分類法を提案する。 次に、異なるレコメンデーションシナリオの下で、構造化された方法で既存のクロスドメインレコメンデーションアプローチを紹介し、要約する。
  論文  参考訳（メタデータ） (2021-08-07T03:26:16Z)
• Cross-Domain Recommendation: Challenges, Progress, and Prospects [21.60393384976869]
  クロスドメインレコメンデーション(CDR)は、スパーサードメインのレコメンデーションパフォーマンスを改善するために、よりリッチなドメインからの比較的リッチな情報を活用するために提案されている。 本稿では,課題,研究の進展,今後の方向性など,既存のCDRアプローチの総合的なレビューを行う。
  論文  参考訳（メタデータ） (2021-03-02T12:58:08Z)
• Curriculum CycleGAN for Textual Sentiment Domain Adaptation with Multiple Sources [68.31273535702256]
  我々は,C-CycleGAN(C-CycleGAN)という,新しいインスタンスレベルのMDAフレームワークを提案する。 C-CycleGANは、(1)異なるドメインからのテキスト入力を連続的な表現空間にエンコードする事前訓練されたテキストエンコーダ、(2)ソースとターゲットドメイン間のギャップを埋めるカリキュラムインスタンスレベルの適応を伴う中間ドメインジェネレータ、(3)中間ドメインで最終感情分類のために訓練されたタスク分類器の3つのコンポーネントから構成される。 3つのベンチマークデータセットに対して広範な実験を行い、最先端のDAアプローチよりも大幅に向上した。
  論文  参考訳（メタデータ） (2020-11-17T14:50:55Z)
• Domain Conditioned Adaptation Network [90.63261870610211]
  本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。 これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
  論文  参考訳（メタデータ） (2020-05-14T04:23:24Z)
• Cross-domain Face Presentation Attack Detection via Multi-domain Disentangled Representation Learning [109.42987031347582]
  顔提示攻撃検出(PAD)は,顔認識システムにおいて緊急に解決すべき課題である。 クロスドメイン顔PADのための効率的な非交叉表現学習を提案する。 我々のアプローチは、不整合表現学習(DR-Net)とマルチドメイン学習(MD-Net)からなる。
  論文  参考訳（メタデータ） (2020-04-04T15:45:14Z)

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。