論文の概要: Metric Learning for Tag Recommendation: Tackling Data Sparsity and Cold Start Issues

• arxiv url: http://arxiv.org/abs/2411.06374v1
• Date: Sun, 10 Nov 2024 06:46:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:10:31.749751
• Title: Metric Learning for Tag Recommendation: Tackling Data Sparsity and Cold Start Issues
• Title（参考訳）: タグレコメンデーションのためのメトリックラーニング:データの分散とコールドスタートの問題に対処する
• Authors: Yuanshuai Luo, Rui Wang, Yaxin Liang, Ankai Liang, Wenyi Liu,
• Abstract要約: 本稿では,メトリクス学習に基づくラベル推薦アルゴリズムを提案する。 従来のレコメンデーションシステムの課題を、効果的な距離や類似度を学習することで克服することを目的としている。 最初のいくつかの推奨項目の精度で特によく機能する。
• 参考スコア（独自算出の注目度）: 4.315795907799471
• License:
• Abstract: With the rapid growth of digital information, personalized recommendation systems have become an indispensable part of Internet services, especially in the fields of e-commerce, social media, and online entertainment. However, traditional collaborative filtering and content-based recommendation methods have limitations in dealing with data sparsity and cold start problems, especially in the face of largescale heterogeneous data, which makes it difficult to meet user expectations. This paper proposes a new label recommendation algorithm based on metric learning, which aims to overcome the challenges of traditional recommendation systems by learning effective distance or similarity metrics to capture the subtle differences between user preferences and item features. Experimental results show that the algorithm outperforms baseline methods including local response metric learning (LRML), collaborative metric learning (CML), and adaptive tensor factorization (ATF) based on adversarial learning on multiple evaluation metrics. In particular, it performs particularly well in the accuracy of the first few recommended items, while maintaining high robustness and maintaining high recommendation accuracy.
• Abstract（参考訳）: デジタル情報の急速な成長に伴い、パーソナライズされたレコメンデーションシステムはインターネットサービス、特にeコマース、ソーシャルメディア、オンラインエンターテイメントの分野で欠かせない部分となっている。 しかし、従来のコラボレーティブフィルタリングとコンテンツベースのレコメンデーション手法は、特に大規模な異種データに直面した場合、データの分散性やコールドスタート問題に制限があるため、ユーザの期待に応えることは困難である。 本稿では,従来のレコメンデーションシステムの課題を克服するために,ユーザの好みと項目の特徴の微妙な違いを捉えるために,有効距離や類似度を学習してラベルレコメンデーションアルゴリズムを提案する。 実験の結果,複数の評価指標の対向学習に基づいて,局所応答距離学習(LRML),協調距離学習(CML),適応テンソル因子化(ATF)などのベースライン手法よりも優れた結果が得られた。 特に、特にいくつかの推奨項目の精度が良く、高い堅牢性を維持し、高い推奨精度を維持している。

関連論文リスト

• Online and Offline Evaluations of Collaborative Filtering and Content Based Recommender Systems [0.0]
  本研究では,イランにおける大規模レコメンデーションシステムの比較分析を行った。 このシステムは、コンテンツベース、協調フィルタリング、トレンドベース手法、ハイブリッドアプローチを用いた、ユーザベースおよびアイテムベースのレコメンデーションを採用している。 評価方法は,手動による評価,ヒットレート@kやnDCGなどの評価指標を含むオフラインテスト,クリックスルーレート(CTR)によるオンラインテストなどである。
  論文  参考訳（メタデータ） (2024-11-02T20:05:31Z)
• Quantifying User Coherence: A Unified Framework for Cross-Domain Recommendation Analysis [69.37718774071793]
  本稿では,レコメンデーションシステムを理解するための新しい情報理論手法を提案する。 9つのデータセットで7つのレコメンデーションアルゴリズムを評価し、測定値と標準的なパフォーマンス指標の関係を明らかにする。
  論文  参考訳（メタデータ） (2024-10-03T13:02:07Z)
• Data Imputation using Large Language Model to Accelerate Recommendation System [3.853804391135035]
  そこで本稿では,LLM(Large-Tune Large Language Model)を提案する。 大量のテキストで訓練されたLLMは、データ間の複雑な関係を理解し、行方不明の情報をインテリジェントに埋めることができる。 この強化されたデータは、より正確でパーソナライズされた提案を生成するためにレコメンデーションシステムによって使用される。
  論文  参考訳（メタデータ） (2024-07-14T04:53:36Z)
• Semantic-Enhanced Relational Metric Learning for Recommender Systems [27.330164862413184]
  近年,知識グラフの翻訳機構に触発された推薦コミュニティにおいて,計量学習手法が注目されている。 本稿では,推薦システムにおける問題に対処するためのセマンティック拡張メトリックラーニングフレームワークを提案する。 具体的には、まず、豊富な特徴とパーソナライズされたユーザー嗜好を含む対象レビューから意味信号を抽出する。 次に、抽出した意味信号を利用して、新しい回帰モデルを設計し、元の関係に基づくトレーニングプロセスの識別能力を向上させる。
  論文  参考訳（メタデータ） (2024-06-07T11:54:50Z)
• Aligning GPTRec with Beyond-Accuracy Goals with Reinforcement Learning [67.71952251641545]
  GPTRecはアイテム・バイ・イテムレコメンデーションのためのTop-Kモデルの代替品である。 GPTRecは,従来のグリーディ・リグレード手法よりも精度とセカンダリ・メトリクスのトレードオフが優れていることを示す。 2つのデータセットに対する実験により、GPTRecのNext-K生成アプローチは、古典的なグリージーな再ランク技術よりも精度と二次メトリクスのトレードオフが優れていることが示された。
  論文  参考訳（メタデータ） (2024-03-07T19:47:48Z)
• FedLALR: Client-Specific Adaptive Learning Rates Achieve Linear Speedup for Non-IID Data [54.81695390763957]
  フェデレートラーニング(Federated Learning)は、分散機械学習の手法である。 我々は,AMSGradの異種局所変種であるFedLALRを提案し,各クライアントが学習率を調整する。 クライアントが指定した自動調整型学習率スケジューリングが,クライアント数に対して収束し,線形高速化を実現することを示す。
  論文  参考訳（メタデータ） (2023-09-18T12:35:05Z)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)
• Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
  コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。 MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
  論文  参考訳（メタデータ） (2021-10-18T08:11:24Z)
• Straggler-Resilient Federated Learning: Leveraging the Interplay Between Statistical Accuracy and System Heterogeneity [57.275753974812666]
  フェデレーション学習は、データをローカルに保持しながら、クライアントのネットワークに分散したデータサンプルから学習する。 本稿では,学習手順を高速化するために,クライアントデータの統計的特徴を取り入れてクライアントを適応的に選択する,ストラグラー・レジリエントなフェデレーション学習手法を提案する。
  論文  参考訳（メタデータ） (2020-12-28T19:21:14Z)
• A Review of Meta-level Learning in the Context of Multi-component, Multi-level Evolving Prediction Systems [6.810856082577402]
  データから有用なパターンを抽出する自動的あるいは半自動的な方法の調査の必要性が高まっている。 与えられた問題に対する学習方法の最も適切なマッピングを見つけるには、深い専門家の知識と広範な計算資源が必要である。 データセットに最適な学習アルゴリズムをアドバイスできるインテリジェントなレコメンデーションエンジンが必要だ。
  論文  参考訳（メタデータ） (2020-07-17T14:14:37Z)
• Recommendation system using a deep learning and graph analysis approach [1.2183405753834562]
  本稿では,行列係数化とグラフ解析に基づく新しい推薦手法を提案する。 さらに,ディープオートエンコーダを利用してユーザやアイテムの潜伏要因を初期化し,ディープ埋め込み手法によってユーザの潜伏要因をユーザ信頼グラフから収集する。
  論文  参考訳（メタデータ） (2020-04-17T08:05:33Z)

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。