論文の概要: A Universal Sets-level Optimization Framework for Next Set Recommendation
- arxiv url: http://arxiv.org/abs/2410.23023v1
- Date: Wed, 30 Oct 2024 13:53:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-10 11:30:23.785888
- Title: A Universal Sets-level Optimization Framework for Next Set Recommendation
- Title（参考訳）: Next Set RecommendationのためのUniversal Setsレベル最適化フレームワーク
- Authors: Yuli Liu, Min Liu, Christian Walder, Lexing Xie,
- Abstract要約: Next Set Recommendation (NSRec) はトレンド研究のトピックである。
我々は N ext Set Recommendation (SNSRec) のための普遍的および S ets レベルの最適化フレームワークを公開している。
私たちのアプローチは、妥当性と多様性の両方に関して、従来方法よりも一貫して優れています。
- 参考スコア（独自算出の注目度）: 15.808908615022709
- License:
- Abstract: Next Set Recommendation (NSRec), encompassing related tasks such as next basket recommendation and temporal sets prediction, stands as a trending research topic. Although numerous attempts have been made on this topic, there are certain drawbacks: (i) Existing studies are still confined to utilizing objective functions commonly found in Next Item Recommendation (NIRec), such as binary cross entropy and BPR, which are calculated based on individual item comparisons; (ii) They place emphasis on building sophisticated learning models to capture intricate dependency relationships across sequential sets, but frequently overlook pivotal dependency in their objective functions; (iii) Diversity factor within sequential sets is frequently overlooked. In this research, we endeavor to unveil a universal and S ets-level optimization framework for N ext Set Recommendation (SNSRec), offering a holistic fusion of diversity distribution and intricate dependency relationships within temporal sets. To realize this, the following contributions are made: (i) We directly model the temporal set in a sequence as a cohesive entity, leveraging the Structured Determinantal Point Process (SDPP), wherein the probabilistic DPP distribution prioritizes collections of structures (sequential sets) instead of individual items; (ii) We introduce a co-occurrence representation to discern and acknowledge the importance of different sets; (iii) We propose a sets-level optimization criterion, which integrates the diversity distribution and dependency relations across the entire sequence of sets, guiding the model to recommend relevant and diversified set. Extensive experiments on real-world datasets show that our approach consistently outperforms previous methods on both relevance and diversity.
- Abstract（参考訳）: Next Set Recommendation (NSRec)は、次のバスケットレコメンデーションや時間セット予測といった関連するタスクを含む、トレンド研究トピックである。
この話題に関しては多くの試みがなされているが、ある程度の欠点がある。
一 既存の研究は、各項目の比較に基づいて計算された二進的クロスエントロピー、BPR等、次の項目勧告(NIRec)に共通する目的的機能を利用するため、いまだに限られている。
(II) 逐次的集合間の複雑な依存関係関係を捉えるための高度な学習モデルの構築に重点を置いているが、目的関数における重要な依存性をしばしば見落としている。
3) 逐次集合内の多様性係数は、しばしば見過ごされる。
本研究では,N ext Set Recommendation (SNSRec) のための普遍的およびS etsレベルの最適化フレームワークを公開する。
これを実現するため、以下の貢献を行う。
一 直列の時間集合を結合体として直接モデル化し、構造決定点過程(SDPP)を利用して、確率的DPP分布は個々の項目ではなく構造(順序集合)の集合を優先する。
(二)異なる集合の重要性を識別し、認識するために共起表現を導入する。
3) 集合列全体にわたる多様性分布と依存性関係を統合し, 関連性および多様性のある集合を推薦するためのモデル指導を行う集合レベルの最適化基準を提案する。
実世界のデータセットに対する大規模な実験により、我々のアプローチは、妥当性と多様性の両方に関して、従来方法よりも一貫して優れていたことが示される。
関連論文リスト
- Does It Look Sequential? An Analysis of Datasets for Evaluation of Sequential Recommendations [0.8437187555622164]
逐次リコメンデータシステムは、ユーザの履歴におけるインタラクションの順序を利用して、将来のインタラクションを予測することを目的としている。
シーケンシャルな構造を示すデータセットを使用して、シーケンシャルなレコメンデータを適切に評価することが重要です。
本研究では,ユーザの対話列のランダムシャッフルに基づくいくつかの手法を適用し,15個のデータセットの連続構造の強度を評価する。
論文 参考訳（メタデータ） (2024-08-21T21:40:07Z) - Enhancing Neural Subset Selection: Integrating Background Information into Set Representations [53.15923939406772]
対象値が入力集合とサブセットの両方に条件付けされている場合、スーパーセットのテクスティ不変な統計量を関心のサブセットに組み込むことが不可欠であることを示す。
これにより、出力値がサブセットとその対応するスーパーセットの置換に不変であることを保証する。
論文 参考訳（メタデータ） (2024-02-05T16:09:35Z) - Multi-Weight Ranking for Multi-Criteria Decision Making [0.0]
統計値からコーン分布関数を多基準決定ツールに変換する。
ランキング関数はその後拡張され、設定された好みに対する一元的な指標が提供される。
機械学習の潜在的な応用について概説する。
論文 参考訳（メタデータ） (2023-12-04T11:13:42Z) - Causal Temporal Regime Structure Learning [49.77103348208835]
本稿では,各レシスタンスに対してDAG(Directed Acyclic Graph)を同時に学習する,新たな最適化手法(線形)を提案する。
我々は広範囲な実験を行い、その手法が様々な環境における因果発見モデルより一貫して優れていることを示す。
論文 参考訳（メタデータ） (2023-11-02T17:26:49Z) - HiPerformer: Hierarchically Permutation-Equivariant Transformer for Time
Series Forecasting [56.95572957863576]
本稿では,同じ群を構成する成分間の関係と群間の関係を考察した階層的置換同変モデルを提案する。
実世界のデータを用いた実験により,提案手法が既存の最先端手法より優れていることを示す。
論文 参考訳（メタデータ） (2023-05-14T05:11:52Z) - Choosing the Best of Both Worlds: Diverse and Novel Recommendations
through Multi-Objective Reinforcement Learning [68.45370492516531]
本稿では,Recommender Systems (RS) 設定のための拡張多目的強化学習(SMORL)を紹介する。
SMORLエージェントは、標準レコメンデーションモデルを拡張し、RLレイヤーを追加し、3つの主要な目的(正確性、多様性、新しいレコメンデーション)を同時に満たすように強制する。
実世界の2つのデータセットに対する実験結果から,集約的多様性の顕著な増加,精度の適度な向上,レコメンデーションの反復性の低下,および相補的目的としての多様性と新規性の強化の重要性が示された。
論文 参考訳（メタデータ） (2021-10-28T13:22:45Z) - Interpretable Feature Construction for Time Series Extrinsic Regression [0.028675177318965035]
一部のアプリケーション領域では、対象変数が数値であり、その問題は時系列外部回帰(TSER)として知られている。
TSERの文脈における頑健で解釈可能な特徴構築と選択のためのベイズ法の拡張を提案する。
私たちのアプローチは、TSERに取り組むためのリレーショナルな方法を利用します:(i)、リレーショナルデータスキームに格納されている時系列の多様で単純な表現を構築し、(ii)二次テーブルからデータを「フラット化」するために解釈可能な機能を構築するためにプロポジション化技術を適用します。
論文 参考訳（メタデータ） (2021-03-15T08:12:19Z) - CoADNet: Collaborative Aggregation-and-Distribution Networks for
Co-Salient Object Detection [91.91911418421086]
Co-Salient Object Detection (CoSOD)は、2つ以上の関連する画像を含む所定のクエリグループに繰り返し現れる健全なオブジェクトを発見することを目的としている。
課題の1つは、画像間の関係をモデリングし、活用することによって、コ・サリヤ・キューを効果的にキャプチャする方法である。
我々は,複数画像から有能かつ反復的な視覚パターンを捉えるために,エンドツーエンドの協調集約配信ネットワーク(CoADNet)を提案する。
論文 参考訳（メタデータ） (2020-11-10T04:28:11Z) - Top-Rank-Focused Adaptive Vote Collection for the Evaluation of
Domain-Specific Semantic Models [0.3359875577705538]
多くの場合、コンテンツベースのレコメンデーターは、特定の概念に対する意味的関連性に基づいて、特に上位に焦点をあてて、単語やテキストのランク付けを要求される。
本研究は,これらの要件に対処するための3倍のコントリビューションを提供する: (i) 利用可能なリソースに基づいて調整された関連性に基づく評価データセットの構築のためのプロトコルを定義し,特にトップランク評価において正確であるように最適化する; (ii) 適切なメトリクス,よく知られたランキング相関係数の拡張を定義し,上記のデータセットを用いてセマンティックモデルを評価する。
論文 参考訳（メタデータ） (2020-10-09T10:20:58Z) - Combining Task Predictors via Enhancing Joint Predictability [53.46348489300652]
そこで本研究では,目標予測能力に基づいて参照の関連性を測定し,その関連性を高めるための新しい予測器組合せアルゴリズムを提案する。
提案アルゴリズムはベイズフレームワークを用いて,すべての参照の関連性について共同で評価する。
視覚属性ランキングとマルチクラス分類シナリオから得られた実世界の7つのデータセットの実験に基づいて,本アルゴリズムが性能向上に寄与し,既存の予測器の組み合わせアプローチの適用範囲を広くすることを示した。
論文 参考訳（メタデータ） (2020-07-15T21:58:39Z) - Covariance-engaged Classification of Sets via Linear Programming [16.11804985840274]
集合分類は、個々の観察を別々に分類するのではなく、一連の観察を全体として分類することを目的としている。
ベイズリスクのバウンディングにおいて,集合内の観測回数が重要な役割を担っていることを示す。
本枠組みでは,集合分類の新しい手法を提案する。
論文 参考訳（メタデータ） (2020-06-26T07:20:15Z)
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。