論文の概要: Collaborative filtering based on nonnegative/binary matrix factorization

• arxiv url: http://arxiv.org/abs/2410.10381v4
• Date: Tue, 29 Jul 2025 09:19:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-30 14:59:50.775045
• Title: Collaborative filtering based on nonnegative/binary matrix factorization
• Title（参考訳）: 非負・二項行列分解に基づく協調フィルタリング
• Authors: Yukino Terui, Yuka Inoue, Yohei Hamakawa, Kosuke Tatsumura, Kazue Kudo,
• Abstract要約: 協調フィルタリングは、レーティングデータに基づいて、ユーザとイテムの類似性を活用してレコメンデーションを生成する。 非負行列分解 (NBMF) は非負行列と二項行列の積として非負行列を近似する。 本稿では,スパースデータを用いた協調フィルタリングに適したNBMFアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Collaborative filtering generates recommendations by exploiting user-item similarities based on rating data, which often contains numerous unrated items. To predict scores for unrated items, matrix factorization techniques such as nonnegative matrix factorization (NMF) are often employed. Nonnegative/binary matrix factorization (NBMF), which is an extension of NMF, approximates a nonnegative matrix as the product of nonnegative and binary matrices. While previous studies have applied NBMF primarily to dense data such as images, this paper proposes a modified NBMF algorithm tailored for collaborative filtering with sparse data. In the modified method, unrated entries in the rating matrix are masked, enhancing prediction accuracy. Furthermore, utilizing a low-latency Ising machine in NBMF is advantageous in terms of the computation time, making the proposed method beneficial.
• Abstract（参考訳）: 協調フィルタリングは、多くの未評価項目を含むレーティングデータに基づいて、ユーザとイテムの類似性を活用してレコメンデーションを生成する。 非負の行列因数分解(NMF)のような行列因数分解技術は、未定項目のスコアを予測するためによく用いられる。 NMFの拡張である非負行列分解(NBMF)は、非負行列と二項行列の積として非負行列を近似する。 従来,NBMFは画像などの高密度データに主に適用されてきたが,本研究では,スパースデータとの協調フィルタリングに適した改良NBMFアルゴリズムを提案する。 修正された手法では、評価行列の未評価エントリをマスクし、予測精度を向上する。 さらに,NBMFにおける低遅延Isingマシンの利用は,計算時間の観点から有利であり,提案手法が有用である。

関連論文リスト

• Unitary Approximate Message Passing for Matrix Factorization [90.84906091118084]
  行列分解 (MF) を一定の制約で考慮し, 様々な分野の応用を見いだす。 我々は,効率の良いメッセージパッシング実装であるUAMPMFを用いて,MFに対するベイズ的アプローチを開発する。 UAMPMFは、回復精度、ロバスト性、計算複雑性の観点から、最先端のアルゴリズムを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2022-07-31T12:09:32Z)
• Log-based Sparse Nonnegative Matrix Factorization for Data Representation [55.72494900138061]
  非負の行列因子化(NMF)は、非負のデータを部品ベースの表現で表すことの有効性から、近年広く研究されている。 そこで本研究では,係数行列に対数ノルムを課した新しいNMF法を提案する。 提案手法のロバスト性を高めるために,$ell_2,log$-(pseudo) ノルムを新たに提案した。
  論文  参考訳（メタデータ） (2022-04-22T11:38:10Z)
• Initialization for Nonnegative Matrix Factorization: a Comprehensive Review [0.0]
  非負の因子化(NMF)は、非負のデータ行列から非負の基底を抽出することで有意なデータを表現するための一般的な方法となっている。 それぞれの手法の性能を示す数値的な結果を示す。
  論文  参考訳（メタデータ） (2021-09-08T18:49:41Z)
• Co-Separable Nonnegative Matrix Factorization [20.550794776914508]
  非負行列分解(NMF)はパターン認識の分野で人気があるモデルである。 我々はこのNMFをCoS-NMF(CoS-NMF)と呼ぶ。 CoS-NMFの最適化モデルを提案し,その解法に置換高速勾配法を適用した。
  論文  参考訳（メタデータ） (2021-09-02T07:05:04Z)
• Adversarially-Trained Nonnegative Matrix Factorization [77.34726150561087]
  非負行列ファクタリゼーションの逆学習版を検討する。 我々の定式化では、攻撃者は与えられたデータ行列に有界ノルムの任意の行列を追加する。 辞書と係数行列を最適化するために, 逆学習に触発された効率的なアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2021-04-10T13:13:17Z)
• Feature Weighted Non-negative Matrix Factorization [92.45013716097753]
  本稿では,FNMF(Feature weighted Non- negative Matrix Factorization)を提案する。 FNMFはその重要性に応じて特徴の重みを適応的に学習する。 提案する最適化アルゴリズムを用いて効率的に解くことができる。
  論文  参考訳（メタデータ） (2021-03-24T21:17:17Z)
• Self-supervised Symmetric Nonnegative Matrix Factorization [82.59905231819685]
  シンメトリー非負係数行列(SNMF)は、データクラスタリングの強力な方法であることを示した。 より良いクラスタリング結果を求めるアンサンブルクラスタリングにインスパイアされた,自己監視型SNMF(S$3$NMF)を提案する。 SNMFのコード特性に対する感度を、追加情報に頼らずに活用しています。
  論文  参考訳（メタデータ） (2021-03-02T12:47:40Z)
• Nonnegative Matrix Factorization with Zellner Penalty [0.0]
  非負行列ファクタリゼーション(NMF)は、非負データ行列を部分ベース、低次元、線形表現に分解する比較的新しい教師なし学習アルゴリズムである。 本稿では,データ依存的制約を用いたZellner non negative matrix factorization (ZNMF)を提案する。 ケンブリッジ ORL データベースを用いて,ZNMF アルゴリズムと他のよく知られた制約付きNMF アルゴリズムの顔認識性能を評価する。
  論文  参考訳（メタデータ） (2020-12-07T18:11:02Z)
• Nonnegative Matrix Factorization with Toeplitz Penalty [0.0]
  NMF(Nonnegative Matrix Factorization)は、データマトリックスの線形、部分ベースの近似を生成する教師なし学習アルゴリズムである。 非データ依存の補助制約を利用した新しいNMFアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-12-07T13:49:23Z)
• Positive Semidefinite Matrix Factorization: A Connection with Phase Retrieval and Affine Rank Minimization [71.57324258813674]
  位相探索(PR)とアフィンランク最小化(ARM)アルゴリズムに基づいてPSDMFアルゴリズムを設計可能であることを示す。 このアイデアに触発され、反復的ハードしきい値(IHT)に基づくPSDMFアルゴリズムの新たなファミリーを導入する。
  論文  参考訳（メタデータ） (2020-07-24T06:10:19Z)
• Image Analysis Based on Nonnegative/Binary Matrix Factorization [0.0]
  非負・二項行列分解(NBMF)を用いることで、行列を非負行列と二項行列に分解することができる。 NBMFとFujitsu Digital Annealerを用いた顔画像の解析により,画像再構成と画像分類に成功している。
  論文  参考訳（メタデータ） (2020-07-02T05:22:36Z)

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。