論文の概要: DIIT: A Domain-Invariant Information Transfer Method for Industrial Cross-Domain Recommendation

• arxiv url: http://arxiv.org/abs/2410.10835v1
• Date: Sun, 29 Sep 2024 06:59:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-27 06:14:35.333982
• Title: DIIT: A Domain-Invariant Information Transfer Method for Industrial Cross-Domain Recommendation
• Title（参考訳）: DIIT:産業用クロスドメイン勧告のためのドメイン不変情報伝達手法
• Authors: Heyuan Huang, Xingyu Lou, Chaochao Chen, Pengxiang Cheng, Yue Xin, Chengwei He, Xiang Liu, Jun Wang,
• Abstract要約: クロスドメイン勧告(CDR: Cross-Domain Recommendation)は、ドメイン間の豊富な情報を活用する能力によって、広く注目を集めている。 既存のCDR法の多くは、産業レコメンデーションシステム(RS)では実用的でない理想的な静的条件を前提としている。 産業用クロスドメインレコメンデーションのためのエンドツーエンドなドメイン不変情報伝達手法であるDIITを提案する。
• 参考スコア（独自算出の注目度）: 12.029152857303101
• License:
• Abstract: Cross-Domain Recommendation (CDR) have received widespread attention due to their ability to utilize rich information across domains. However, most existing CDR methods assume an ideal static condition that is not practical in industrial recommendation systems (RS). Therefore, simply applying existing CDR methods in the industrial RS environment may lead to low effectiveness and efficiency. To fill this gap, we propose DIIT, an end-to-end Domain-Invariant Information Transfer method for industrial cross-domain recommendation. Specifically, We first simulate the industrial RS environment that maintains respective models in multiple domains, each of them is trained in the incremental mode. Then, for improving the effectiveness, we design two extractors to fully extract domain-invariant information from the latest source domain models at the domain level and the representation level respectively. Finally, for improving the efficiency, we design a migrator to transfer the extracted information to the latest target domain model, which only need the target domain model for inference. Experiments conducted on one production dataset and two public datasets verify the effectiveness and efficiency of DIIT.
• Abstract（参考訳）: クロスドメイン勧告(CDR: Cross-Domain Recommendation)は、ドメイン間の豊富な情報を活用する能力によって、広く注目を集めている。 しかし、既存のCDR法の多くは、産業レコメンデーションシステム(RS)では実用的でない理想的な静的条件を前提としている。 したがって、産業用RS環境に既存のCDR法を単純に適用すれば、効率性や効率性が低下する可能性がある。 このギャップを埋めるため,産業用クロスドメインレコメンデーションのためのエンドツーエンドなドメイン不変情報伝達手法であるDIITを提案する。 具体的には、まず、各モデルを複数のドメインで維持する産業RS環境をシミュレートし、それぞれのモデルをインクリメンタルモードでトレーニングする。 そして,有効性を向上させるために,各ドメインレベルと表現レベルにおいて,最新のソースドメインモデルからドメイン不変情報を抽出する2つの抽出器を設計する。 最後に、効率を向上させるために、抽出した情報を推論にターゲットドメインモデルのみを必要とする最新のターゲットドメインモデルに転送する移行器を設計する。 1つのプロダクションデータセットと2つのパブリックデータセットで実施された実験は、DIITの有効性と効率を検証する。

関連論文リスト

• ECAT: A Entire space Continual and Adaptive Transfer Learning Framework for Cross-Domain Recommendation [7.466783681250159]
  本稿では,ECAT と呼ばれる拡張空間連続・適応変換学習フレームワークを提案する。 ECATには2つのコアコンポーネントがある: まず、サンプル転送について、粗大なプロセスを実現する2段階の手法を提案する。 第2に,空間データセット全体においてよく訓練されたモデルから表現を継続的に伝達する適応的知識蒸留法を提案する。
  論文  参考訳（メタデータ） (2024-07-02T07:02:39Z)
• Heterogeneous Graph-based Framework with Disentangled Representations Learning for Multi-target Cross Domain Recommendation [7.247438542823219]
  CDR(Cross-Domain Recommendation)は、レコメンデーションシステムにおけるデータ空間の問題に対する重要な解決策である。 本稿では,HGDR (Heterogeneous Graph-based Framework with Disentangled Representations Learning)を提案する。 実世界のデータセットとオンラインA/Bテストの実験により、提案モデルがドメイン間の情報を効果的に伝達できることが証明された。
  論文  参考訳（メタデータ） (2024-07-01T02:27:54Z)
• Domain-Aware Cross-Attention for Cross-domain Recommendation [4.602115311495822]
  クロスドメインレコメンデーション(CDR)は、レコメンダシステムの性能を改善する重要な方法である。 本稿では、異なる粒度からソースドメインの転送可能な特徴を抽出する2段階のクロスアテンションを提案する。 公共データセットと産業データセットの両方で実験を行い,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-01-22T06:12:48Z)
• Multi-Prompt Alignment for Multi-Source Unsupervised Domain Adaptation [86.02485817444216]
  マルチプロンプトアライメント(MPA: Multi-Prompt Alignment)は,マルチソースUDAのためのシンプルかつ効率的なフレームワークである。 MPAは、学習したプロンプトを自動エンコードプロセスで認知し、再構築されたプロンプトの合意を最大化することでそれらを調整する。 実験によると、MPAは3つの一般的なデータセットで最先端の結果を達成し、DomainNetの平均精度は54.1%である。
  論文  参考訳（メタデータ） (2022-09-30T03:40:10Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-28T09:29:14Z)
• Dual Attentive Sequential Learning for Cross-Domain Click-Through Rate Prediction [76.98616102965023]
  クロスドメインレコメンダシステムは、コールドスタートとスパシティの問題に対処するための強力な方法である。 本稿では,二元学習機構に基づくクロスドメインシーケンシャルなレコメンデーション手法を提案する。
  論文  参考訳（メタデータ） (2021-06-05T01:21:21Z)
• Effective Label Propagation for Discriminative Semi-Supervised Domain Adaptation [76.41664929948607]
  半教師付き領域適応(SSDA)法は,大規模な画像分類タスクにおいて大きな可能性を示している。 本稿では、ドメイン間およびドメイン内セマンティック情報を効果的に伝達することにより、この問題に対処する新しい効果的な方法を提案する。 ソースコードと事前訓練されたモデルも間もなくリリースされる予定です。
  論文  参考訳（メタデータ） (2020-12-04T14:28:19Z)
• Conditional Coupled Generative Adversarial Networks for Zero-Shot Domain Adaptation [31.334196673143257]
  あるドメインでトレーニングされた機械学習モデルは、ドメインシフトが存在するため、他のドメインではうまく機能しない。 本研究では,CoGANを条件付きモデルに拡張することにより,条件付き生成逆数ネットワーク(CoCoGAN)を提案する。 提案したCoCoGANは,2つの異なるタスク,すなわち関連タスク (RT) と非関連タスク (IRT) で二重ドメインサンプルの連成分布を捉えることができる。
  論文  参考訳（メタデータ） (2020-09-11T04:36:42Z)
• Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
  部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。 本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
  論文  参考訳（メタデータ） (2020-08-27T00:53:43Z)
• MADAN: Multi-source Adversarial Domain Aggregation Network for Domain Adaptation [58.38749495295393]
  ドメイン適応は、あるラベル付きソースドメインと、わずかにラベル付けまたはラベル付けされていないターゲットドメインの間のドメインシフトをブリッジするために、転送可能なモデルを学ぶことを目的としています。 近年のマルチソース領域適応法(MDA)では,ソースとターゲット間の画素レベルのアライメントは考慮されていない。 これらの課題に対処するための新しいMDAフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T21:22:00Z)

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。