論文の概要: MDAP: A Multi-view Disentangled and Adaptive Preference Learning Framework for Cross-Domain Recommendation

• arxiv url: http://arxiv.org/abs/2410.05877v1
• Date: Tue, 8 Oct 2024 10:06:45 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-01 12:20:15.159018
• Title: MDAP: A Multi-view Disentangled and Adaptive Preference Learning Framework for Cross-Domain Recommendation
• Title（参考訳）: MDAP:クロスドメインレコメンデーションのための多視点・適応型推論学習フレームワーク
• Authors: Junxiong Tong, Mingjia Yin, Hao Wang, Qiushi Pan, Defu Lian, Enhong Chen,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 63.27390451208503
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-domain Recommendation systems leverage multi-domain user interactions to improve performance, especially in sparse data or new user scenarios. However, CDR faces challenges such as effectively capturing user preferences and avoiding negative transfer. To address these issues, we propose the Multi-view Disentangled and Adaptive Preference Learning (MDAP) framework. Our MDAP framework uses a multiview encoder to capture diverse user preferences. The framework includes a gated decoder that adaptively combines embeddings from different views to generate a comprehensive user representation. By disentangling representations and allowing adaptive feature selection, our model enhances adaptability and effectiveness. Extensive experiments on benchmark datasets demonstrate that our method significantly outperforms state-of-the-art CDR and single-domain models, providing more accurate recommendations and deeper insights into user behavior across different domains.
• Abstract（参考訳）: 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、特にスパースデータや新しいユーザシナリオのパフォーマンスを改善する。 しかし、CDRはユーザの好みを効果的に捉え、ネガティブな転送を避けるといった課題に直面している。 これらの課題に対処するために,MDAP(Multi-view Disentangled and Adaptive Preference Learning)フレームワークを提案する。 私たちのMDAPフレームワークは、多視点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します。 このフレームワークには、異なるビューからの埋め込みを適応的に結合して包括的なユーザ表現を生成するゲートデコーダが含まれている。 表現を分離し、適応的な特徴選択を可能にすることにより、我々のモデルは適応性と有効性を高める。 ベンチマークデータセットの大規模な実験により、我々の手法は最先端のCDRや単一ドメインモデルよりも優れており、より正確なレコメンデーションと、異なるドメインにわたるユーザの振る舞いに関する深い洞察を提供する。

関連論文リスト

• Adaptive Domain Scaling for Personalized Sequential Modeling in Recommenders [19.237606439035364]
  本稿では、ターゲット・アウェア・シーケンス・モデリングにおけるパーソナライズ機能を包括的に強化するAdaptive Domain Scaling(ADS)モデルを提案する。 ADSは、パーソナライズされた配列表現生成(PSRG)とパーソナライズされた候補表現生成(PCRG)の2つの主要モジュールから構成される。 パブリックデータセットと20億規模の産業データセットの両方で実験を行い、大規模な結果により、ADSの高効率性と互換性が検証された。
  論文  参考訳（メタデータ） (2025-02-08T11:05:22Z)
• DisCo: Graph-Based Disentangled Contrastive Learning for Cold-Start Cross-Domain Recommendation [11.61586672399166]
  クロスドメインレコメンデーション(CDR)が有望なソリューションとして登場した。 しかし、ソースドメインに類似した好みを持つユーザは、ターゲットドメインに対して異なる関心を示す可能性がある。 そこで本稿では,ユーザ意図の微粒化を捉えるために,グラフに基づく非交叉型コントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-19T16:20:42Z)
• Ada-Retrieval: An Adaptive Multi-Round Retrieval Paradigm for Sequential Recommendations [50.03560306423678]
  本稿では,レコメンダシステムのための適応型マルチラウンド検索パラダイムであるAda-Retrievalを提案する。 Ada-Retrievalは、ユーザー表現を反復的に洗練し、全項目領域の潜在的な候補をよりよく捉えます。
  論文  参考訳（メタデータ） (2024-01-12T15:26:40Z)
• 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)
• Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
  本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-08T09:44:00Z)
• Graph Meta Network for Multi-Behavior Recommendation [24.251784947151755]
  本稿では,マルチビヘイビアパターンモデリングをメタラーニングパラダイムに組み込むために,グラフメタネットワークを用いたマルチビヘイビアレコメンデーションフレームワークを提案する。 我々の開発したMB-GMNは、型に依存した行動表現を明らかにする能力により、ユーザ-イテム相互作用学習を増強する。
  論文  参考訳（メタデータ） (2021-10-08T08:38:27Z)
• Dual Metric Learning for Effective and Efficient Cross-Domain Recommendations [85.6250759280292]
  クロスドメインレコメンダーシステムは、消費者が異なるアプリケーションで有用なアイテムを識別するのを助けるためにますます価値があります。 既存のクロスドメインモデルは、通常、多くのオーバーラップユーザーを必要とするため、いくつかのアプリケーションでは取得が困難である。 本稿では,2つのドメイン間で情報を反復的に伝達する二元学習に基づく新しいクロスドメインレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2021-04-17T09:18:59Z)
• Attentive Autoencoders for Multifaceted Preference Learning in One-class Collaborative Filtering [23.056754242935824]
  Attentive Multi-modal AutoRecはマルチモーダル潜在表現でユーザの好みを追跡する。 AMAはOC-CF設定下での最先端モデルと競合することを示す。
  論文  参考訳（メタデータ） (2020-10-24T06:35:44Z)
• 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。