論文の概要: Learning to Hash for Recommendation: A Survey

• arxiv url: http://arxiv.org/abs/2412.03875v1
• Date: Thu, 05 Dec 2024 05:07:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-06 14:38:55.122295
• Title: Learning to Hash for Recommendation: A Survey
• Title（参考訳）: レコメンデーションのためのハッシュ学習 - 調査より
• Authors: Fangyuan Luo, Honglei Zhang, Tong Li, Jun Wu,
• Abstract要約: L2H for RS(略してHashRec)は、最近、大規模なレコメンデーションをサポートするために広く注目を集めている。 本稿では、リコール段階でよく使われる2-towerモデルを紹介し、L2Hでよく使用される2つの探索戦略を同定する。 また、HashRecアルゴリズムの性能を測定するためによく使われる評価指標についても紹介する。
• 参考スコア（独自算出の注目度）: 12.460195657340254
• License:
• Abstract: With the explosive growth of users and items, Recommender Systems (RS) are facing unprecedented challenges on both retrieval efficiency and storage cost. Fortunately, Learning to Hash (L2H) techniques have been shown as a promising solution to address the two dilemmas, whose core idea is encoding high-dimensional data into compact hash codes. To this end, L2H for RS (HashRec for short) has recently received widespread attention to support large-scale recommendations. In this survey, we present a comprehensive review of current HashRec algorithms. Specifically, we first introduce the commonly used two-tower models in the recall stage and identify two search strategies frequently employed in L2H. Then, we categorize prior works into two-tier taxonomy based on: (i) the type of loss function and (ii) the optimization strategy. We also introduce some commonly used evaluation metrics to measure the performance of HashRec algorithms. Finally, we shed light on the limitations of the current research and outline the future research directions. Furthermore, the summary of HashRec methods reviewed in this survey can be found at \href{https://github.com/Luo-Fangyuan/HashRec}{https://github.com/Luo-Fangyuan/HashRec}.
• Abstract（参考訳）: ユーザやアイテムの爆発的な増加に伴い、Recommender Systems(RS)は、検索効率とストレージコストの両方において、前例のない課題に直面している。 幸いなことに、Learning to Hash(L2H)テクニックは、2つのジレンマに対処するための有望なソリューションとして示されており、その中核となる考え方は、高次元データをコンパクトなハッシュコードに符号化することである。 この目的のために、RS用L2H(略してHashRec)は、大規模レコメンデーションをサポートするために、最近広く注目を集めている。 本稿では,現在のHashRecアルゴリズムについて概観する。 具体的には、まず、リコール段階でよく使われる2-towerモデルを紹介し、L2Hでよく使用される2つの探索戦略を特定する。 次に,先行研究を次の2階層分類に分類する。 (i)損失関数の種類 (ii)最適化戦略 また、HashRecアルゴリズムの性能を測定するためによく使われる評価指標についても紹介する。 最後に、現在の研究の限界に光を当て、今後の研究の方向性を概説する。 さらに、この調査でレビューされたHashRecメソッドの要約は、 \href{https://github.com/Luo-Fangyuan/HashRec}{https://github.com/Luo-Fangyuan/HashRec}で見ることができる。

関連論文リスト

• SECRET: Towards Scalable and Efficient Code Retrieval via Segmented Deep Hashing [83.35231185111464]
  ディープラーニングは、検索パラダイムを語彙ベースのマッチングから、ソースコードとクエリをベクトル表現にエンコードした。 従来の研究では、クエリやコードスニペットのハッシュコードを生成し、ハミング距離を使ってコード候補を高速にリコールするディープハッシュベースの手法が提案されている。 提案手法は,既存の深層ハッシュ法によって計算された長いハッシュコードを,反復的学習戦略により複数の短いハッシュコードセグメントに変換する手法である。
  論文  参考訳（メタデータ） (2024-12-16T12:51:35Z)
• Prototypical Hash Encoding for On-the-Fly Fine-Grained Category Discovery [65.16724941038052]
  カテゴリ対応プロトタイプ生成(CPG)とディスクリミカテゴリ5.3%(DCE)が提案されている。 CPGは、各カテゴリを複数のプロトタイプで表現することで、カテゴリ内の多様性を完全にキャプチャすることを可能にする。 DCEは生成されたカテゴリプロトタイプのガイダンスによってハッシュコードの識別能力を向上する。
  論文  参考訳（メタデータ） (2024-10-24T23:51:40Z)
• A Lower Bound of Hash Codes' Performance [122.88252443695492]
  本稿では,ハッシュ符号間のクラス間の差分性とクラス内圧縮性が,ハッシュ符号の性能の低い境界を決定することを証明する。 次に、ハッシュコードの後部を推定し、それを制御することにより、上記の目的を完全に活用する代理モデルを提案し、低バイアス最適化を実現する。 一連のハッシュモデルをテストすることで、平均精度が最大で26.5%、精度が最大で20.5%向上した。
  論文  参考訳（メタデータ） (2022-10-12T03:30:56Z)
• MOON: Multi-Hash Codes Joint Learning for Cross-Media Retrieval [30.77157852327981]
  クロスメディアハッシュ技術は高い計算効率と低ストレージコストで注目を集めている。 クロスメディア検索のための新しいMultiple hash cOdes jOint learNing法(MOON)を開発した。
  論文  参考訳（メタデータ） (2021-08-17T14:47:47Z)
• Unsupervised Multi-Index Semantic Hashing [23.169142004594434]
  マルチインデックスハッシュに最適化することで,効率的かつ高効率なハッシュコードを学習する教師なしハッシュモデルを提案する。 文書類似度検索のタスクにおいて、MISHと最先端のセマンティックハッシュベースラインを実験的に比較する。 マルチインデックスハッシュは、線形スキャンと比較してベースラインの効率も向上しますが、MISHよりも33%遅くなっています。
  論文  参考訳（メタデータ） (2021-03-26T13:33:48Z)
• CIMON: Towards High-quality Hash Codes [63.37321228830102]
  我々はtextbfComprehensive stextbfImilarity textbfMining と ctextbfOnsistency leartextbfNing (CIMON) という新しい手法を提案する。 まず、グローバルな洗練と類似度統計分布を用いて、信頼性とスムーズなガイダンスを得る。第二に、意味的整合性学習とコントラスト的整合性学習の両方を導入して、乱不変と差別的ハッシュコードの両方を導出する。
  論文  参考訳（メタデータ） (2020-10-15T14:47:14Z)
• Reinforcing Short-Length Hashing [61.75883795807109]
  既存の手法は、非常に短いハッシュコードを用いた検索性能が劣っている。 本研究では, 短寿命ハッシュ(RSLH)を改良する新しい手法を提案する。 本稿では,ハッシュ表現とセマンティックラベルの相互再構成を行い,セマンティック情報を保存する。 3つの大規模画像ベンチマークの実験は、様々な短いハッシュシナリオ下でのRSLHの優れた性能を示す。
  論文  参考訳（メタデータ） (2020-04-24T02:23:52Z)
• A Survey on Deep Hashing Methods [52.326472103233854]
  最寄りの検索は、データベースからクエリまでの距離が最小のサンプルを取得することを目的としている。 ディープラーニングの発展により、ディープハッシュ法は従来の方法よりも多くの利点を示す。 深い教師付きハッシュは、ペアワイズ法、ランキングベースの方法、ポイントワイズ法、量子化に分類される。 深い教師なしハッシュは、類似性再構築に基づく方法、擬似ラベルに基づく方法、予測自由な自己教師あり学習に基づく方法に分類される。
  論文  参考訳（メタデータ） (2020-03-04T08:25:15Z)
• A Novel Incremental Cross-Modal Hashing Approach [21.99741793652628]
  我々は「iCMH」と呼ばれる新しい漸進的クロスモーダルハッシュアルゴリズムを提案する。 提案手法は,ハッシュコードを学習し,ハッシュ関数を訓練する2つの段階からなる。 さまざまなクロスモーダルデータセットの実験と最先端のクロスモーダルアルゴリズムとの比較は、我々のアプローチの有用性を示している。
  論文  参考訳（メタデータ） (2020-02-03T12:34:56Z)

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。