論文の概要: Transferable Sequential Recommendation via Vector Quantized Meta Learning

• arxiv url: http://arxiv.org/abs/2411.01785v1
• Date: Mon, 04 Nov 2024 04:16:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:46:39.351298
• Title: Transferable Sequential Recommendation via Vector Quantized Meta Learning
• Title（参考訳）: ベクトル量子化メタ学習による転送可能なシーケンスレコメンデーション
• Authors: Zhenrui Yue, Huimin Zeng, Yang Zhang, Julian McAuley, Dong Wang,
• Abstract要約: 転送可能なシーケンシャルレコメンデータ(MetaRec)のためのベクトル量子化メタ学習を提案する。 提案手法では,複数のソースドメインからのユーザ・イテムインタラクションを活用して,対象ドメインの性能を向上させる。 提案手法の有効性を検証するため,ベンチマークデータセット上で広範囲な実験を行った。
• 参考スコア（独自算出の注目度）: 29.49708205199897
• License:
• Abstract: While sequential recommendation achieves significant progress on capturing user-item transition patterns, transferring such large-scale recommender systems remains challenging due to the disjoint user and item groups across domains. In this paper, we propose a vector quantized meta learning for transferable sequential recommenders (MetaRec). Without requiring additional modalities or shared information across domains, our approach leverages user-item interactions from multiple source domains to improve the target domain performance. To solve the input heterogeneity issue, we adopt vector quantization that maps item embeddings from heterogeneous input spaces to a shared feature space. Moreover, our meta transfer paradigm exploits limited target data to guide the transfer of source domain knowledge to the target domain (i.e., learn to transfer). In addition, MetaRec adaptively transfers from multiple source tasks by rescaling meta gradients based on the source-target domain similarity, enabling selective learning to improve recommendation performance. To validate the effectiveness of our approach, we perform extensive experiments on benchmark datasets, where MetaRec consistently outperforms baseline methods by a considerable margin.
• Abstract（参考訳）: シーケンシャルなレコメンデーションは、ユーザとイテムの遷移パターンをキャプチャする上で大きな進歩を遂げる一方、ドメイン間でのユーザとアイテムのグループの相違により、大規模なレコメンデーションシステムへの移行は依然として困難である。 本稿では,転送可能なシーケンシャルレコメンダ(MetaRec)のためのベクトル量子化メタ学習を提案する。 ドメイン間で追加のモダリティや共有情報を必要とせず、複数のソースドメインからのユーザ-イテムインタラクションを活用して、ターゲットドメインのパフォーマンスを改善する。 入力の不均一性問題を解決するために、不均一な入力空間からのアイテム埋め込みを共有特徴空間にマッピングするベクトル量子化を採用する。 さらに、我々のメタトランスファーパラダイムは、限られたターゲットデータを利用して、ソースドメイン知識のターゲットドメインへの転送を誘導する(すなわち、転送を学ぶ)。 さらに、MetaRecはソースとターゲットドメインの類似性に基づいてメタグラデーションを再スケーリングすることで、複数のソースタスクから適応的に転送する。 提案手法の有効性を検証するため,MetaRecはベンチマークデータセット上で大規模な実験を行う。

関連論文リスト

• 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)
• Transfer of codebook latent factors for cross-domain recommendation with non-overlapping data [5.145146101802871]
  Data Sparsityは、協調フィルタリング技術における大きな欠点の1つだ。 本稿では,クロスドメインレコメンデーションのための新しいトランスファー学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-26T05:26:39Z)
• A Hinge-Loss based Codebook Transfer for Cross-Domain Recommendation with Nonoverlapping Data [4.117391333767584]
  アイテムスペースが増加し、ユーザが評価するアイテムの数が大幅に減少するにつれて、空白のような問題が発生する。 疎度問題を緩和するために、疎度ドメイン(ソース)からのデータを考慮し、スパースドメイン(ターゲット)の欠落するエントリを予測するトランスファーラーニング技術が用いられている。
  論文  参考訳（メタデータ） (2021-08-02T17:17:36Z)
• Latent-Optimized Adversarial Neural Transfer for Sarcasm Detection [50.29565896287595]
  サーカズム検出のための共通データセットを活用するために,転送学習を適用する。 異なる損失が互いに対応できる汎用的な潜時最適化戦略を提案します。 特に、isarcasmデータセットの以前の状態よりも10.02%の絶対性能向上を達成している。
  論文  参考訳（メタデータ） (2021-04-19T13:07:52Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• MetaAlign: Coordinating Domain Alignment and Classification for Unsupervised Domain Adaptation [84.90801699807426]
  本稿ではMetaAlignと呼ばれるメタ最適化に基づく効果的な戦略を提案する。 ドメインアライメントの目的と分類の目的をメタ学習計画におけるメタトレーニングとメタテストのタスクとして扱う。 実験結果は,アライメントに基づくベースラインアプローチを用いた提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2021-03-25T03:16:05Z)
• Your Classifier can Secretly Suffice Multi-Source Domain Adaptation [72.47706604261992]
  マルチソースドメイン適応(MSDA)は、複数のラベル付きソースドメインからラベルなしターゲットドメインへのタスク知識の転送を扱う。 ラベル管理下のドメインを暗黙的に整列させる深層モデルが観察されるMSDAに対して、異なる視点を提示する。
  論文  参考訳（メタデータ） (2021-03-20T12:44:13Z)
• Learning to Combine: Knowledge Aggregation for Multi-Source Domain Adaptation [56.694330303488435]
  マルチソースドメイン適応(LtC-MSDA)フレームワークを併用する学習法を提案する。 簡単に言うと、知識グラフは様々なドメインのプロトタイプ上に構築され、セマンティックに隣接した表現間の情報伝達を実現する。 我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2020-07-17T07:52:44Z)

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。