論文の概要: Recommender Systems Algorithm Selection for Ranking Prediction on Implicit Feedback Datasets

• arxiv url: http://arxiv.org/abs/2409.05461v1
• Date: Mon, 09 Sep 2024 09:42:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 15:56:09.155913
• Title: Recommender Systems Algorithm Selection for Ranking Prediction on Implicit Feedback Datasets
• Title（参考訳）: Recommender Systems Algorithm Selection for Ranking Prediction on Implicit Feedback Datasets
• Authors: Lukas Wegmeth, Tobias Vente, Joeran Beel,
• Abstract要約: 72の推薦システムデータセットに対して,24の推薦システムアルゴリズムのNDCG@10を評価する。 メタモデルがアルゴリズムのランク付けに最適化された場合, メタモデル予測と基底真理の関係は平均0.124増加し, 平均0.124上昇することを示す。
• 参考スコア（独自算出の注目度）: 0.10241134756773229
• License:
• Abstract: The recommender systems algorithm selection problem for ranking prediction on implicit feedback datasets is under-explored. Traditional approaches in recommender systems algorithm selection focus predominantly on rating prediction on explicit feedback datasets, leaving a research gap for ranking prediction on implicit feedback datasets. Algorithm selection is a critical challenge for nearly every practitioner in recommender systems. In this work, we take the first steps toward addressing this research gap. We evaluate the NDCG@10 of 24 recommender systems algorithms, each with two hyperparameter configurations, on 72 recommender systems datasets. We train four optimized machine-learning meta-models and one automated machine-learning meta-model with three different settings on the resulting meta-dataset. Our results show that the predictions of all tested meta-models exhibit a median Spearman correlation ranging from 0.857 to 0.918 with the ground truth. We show that the median Spearman correlation between meta-model predictions and the ground truth increases by an average of 0.124 when the meta-model is optimized to predict the ranking of algorithms instead of their performance. Furthermore, in terms of predicting the best algorithm for an unknown dataset, we demonstrate that the best optimized traditional meta-model, e.g., XGBoost, achieves a recall of 48.6%, outperforming the best tested automated machine learning meta-model, e.g., AutoGluon, which achieves a recall of 47.2%.
• Abstract（参考訳）: 暗黙的なフィードバックデータセットのランク付け予測のためのレコメンダシステムアルゴリズム選択問題について検討する。 推薦システムのアルゴリズム選択における従来のアプローチは、主に明示的なフィードバックデータセットのレーティング予測に焦点を当てており、暗黙的なフィードバックデータセットのランキング予測のための研究ギャップを残している。 アルゴリズムの選択は、レコメンデーションシステムのほぼすべての実践者にとって重要な課題である。 本研究では,この研究ギャップに対処するための第一歩を踏み出す。 2つのハイパーパラメータ構成を持つ24の推薦システムアルゴリズムのNDCG@10を72の推奨システムデータセット上で評価した。 4つの最適化された機械学習メタモデルと1つの自動機械学習メタモデルをトレーニングし、結果のメタデータに対して3つの異なる設定を行う。 以上の結果から,全てのメタモデルの予測は, 0.857から0.918までのスピアマンの中央値の相関関係を示すことがわかった。 メタモデルがアルゴリズムのランク付けに最適化された場合, メタモデル予測と基底真理の関係は平均0.124増加し, 平均0.124上昇することを示す。 さらに、未知のデータセットに最適なアルゴリズムを予測する上で、最適化された従来のメタモデルであるeg、XGBoostが48.6%のリコールを達成し、最もテストされた機械学習メタモデルであるeg、AutoGluonが47.2%のリコールを達成したことを実証する。

関連論文リスト

• A Novel Adaptive Fine-Tuning Algorithm for Multimodal Models: Self-Optimizing Classification and Selection of High-Quality Datasets in Remote Sensing [46.603157010223505]
  マルチモーダル大モデルに対する適応的な微調整アルゴリズムを提案する。 我々は、GeoChatマルチモーダルリモートセンシングデータセットの3分の1を使用して、2台の3090 GPU上でモデルをトレーニングする。 このモデルはUCMercedおよびAID評価データセットで89.86と77.19のスコアを得た。
  論文  参考訳（メタデータ） (2024-09-20T09:19:46Z)
• An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
  まず最適化モデルを構築し,非単調な選好をモデル化する。 本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。 2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
  論文  参考訳（メタデータ） (2024-09-04T14:36:20Z)
• Do Ensembling and Meta-Learning Improve Outlier Detection in Randomized Controlled Trials? [0.0]
  7つの実世界のMCRCTから838個のデータセットから不規則なデータを識別するタスクに対して、機械学習に基づく最新の外れ値検出アルゴリズムを6つ評価した。 以上の結果から,他の領域のデータに対する異常検出文献の先行研究から重要な知見が得られた。 複数の教師なしモデルの予測を集約する単純なアルゴリズムであるMeta-learned Probabilistic Ensemble (MePE)を提案する。
  論文  参考訳（メタデータ） (2023-11-09T16:05:38Z)
• Quick-Tune: Quickly Learning Which Pretrained Model to Finetune and How [62.467716468917224]
  本稿では,最適事前学習モデルとハイパーパラメータを共同で探索し,微調整する手法を提案する。 本手法は,一連のデータセット上で,事前学習したモデルの性能に関する知識を伝達する。 得られたアプローチによって、新しいデータセットの正確な事前学習モデルを迅速に選択できることを実証的に実証する。
  論文  参考訳（メタデータ） (2023-06-06T16:15:26Z)
• Which is the best model for my data? [0.0]
  提案されたメタ学習アプローチは、機械学習に依存し、4つの主要なステップを含む。 本稿では,正と負の測度を含む集約測度値において,情報消去の問題に対処する62のメタ特徴の集合について述べる。 我々のメタ学習アプローチは、合成データセットの91%と実世界のデータセットの87%に対して、最適なモデルを正確に予測できることを示します。
  論文  参考訳（メタデータ） (2022-10-26T13:15:43Z)
• Meta-Wrapper: Differentiable Wrapping Operator for User Interest Selection in CTR Prediction [97.99938802797377]
  クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。 近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。 そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:28:15Z)
• On the Generalizability and Predictability of Recommender Systems [33.46314108814183]
  推奨システムアプローチに関する大規模な研究を初めて行った。 Reczillaは、レコメンデーションシステムのためのメタラーニングアプローチです。
  論文  参考訳（メタデータ） (2022-06-23T17:51:42Z)
• Two-Step Meta-Learning for Time-Series Forecasting Ensemble [1.1278903078792915]
  いくつかのメソッドのアンサンブルを使用した予測は、しばしば妥協と見なされる。 メタラーニングを用いてこれらの側面を適応的に予測することを提案する。 提案手法は12561マイクロ・エコノミック・タイムシリーズで試験された。
  論文  参考訳（メタデータ） (2020-11-20T18:35:02Z)
• Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
  数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。 本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
  論文  参考訳（メタデータ） (2020-02-27T10:22:17Z)
• Stepwise Model Selection for Sequence Prediction via Deep Kernel Learning [100.83444258562263]
  本稿では,モデル選択の課題を解決するために,新しいベイズ最適化(BO)アルゴリズムを提案する。 結果として得られる複数のブラックボックス関数の最適化問題を協調的かつ効率的に解くために,ブラックボックス関数間の潜在的な相関を利用する。 我々は、シーケンス予測のための段階的モデル選択(SMS)の問題を初めて定式化し、この目的のために効率的な共同学習アルゴリズムを設計し、実証する。
  論文  参考訳（メタデータ） (2020-01-12T09:42:19Z)

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。