論文の概要: Fuzzy Norm-Explicit Product Quantization for Recommender Systems

• arxiv url: http://arxiv.org/abs/2412.06069v1
• Date: Sun, 08 Dec 2024 21:14:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-10 14:56:14.681209
• Title: Fuzzy Norm-Explicit Product Quantization for Recommender Systems
• Title（参考訳）: ファジィノーム明示型レコメンダシステムの製品量子化
• Authors: Mohammadreza Jamalifard, Javier Andreu-Perez, Hani Hagras, Luis Martínez López,
• Abstract要約: 低複雑性で適切なレコメンデーションを生み出すという点で最もコスト効率のよいテクニックの1つは、PQ(Product Quantization)である。 本研究は,標準ベースの製品量子化を行うファジィアプローチを提案する。 提案手法は,NEQ,PQ,RQなどのすべてのPQアプローチを,94%,69%,59%のNetflix,Audio,Cifar60kデータセットをリコールすることで,+6%,+5%,+8%に向上させる。
• 参考スコア（独自算出の注目度）: 7.1159864820973295
• License:
• Abstract: As the data resources grow, providing recommendations that best meet the demands has become a vital requirement in business and life to overcome the information overload problem. However, building a system suggesting relevant recommendations has always been a point of debate. One of the most cost-efficient techniques in terms of producing relevant recommendations at a low complexity is Product Quantization (PQ). PQ approaches have continued developing in recent years. This system's crucial challenge is improving product quantization performance in terms of recall measures without compromising its complexity. This makes the algorithm suitable for problems that require a greater number of potentially relevant items without disregarding others, at high-speed and low-cost to keep up with traffic. This is the case of online shops where the recommendations for the purpose are important, although customers can be susceptible to scoping other products. This research proposes a fuzzy approach to perform norm-based product quantization. Type-2 Fuzzy sets (T2FSs) define the codebook allowing sub-vectors (T2FSs) to be associated with more than one element of the codebook, and next, its norm calculus is resolved by means of integration. Our method finesses the recall measure up, making the algorithm suitable for problems that require querying at most possible potential relevant items without disregarding others. The proposed method outperforms all PQ approaches such as NEQ, PQ, and RQ up to +6%, +5%, and +8% by achieving a recall of 94%, 69%, 59% in Netflix, Audio, Cifar60k datasets, respectively. More and over, computing time and complexity nearly equals the most computationally efficient existing PQ method in the state-of-the-art.
• Abstract（参考訳）: データリソースが成長するにつれて、情報過負荷の問題を克服するために、要求に最も適したレコメンデーションを提供することが、ビジネスと生活において重要な要件となっている。 しかし、関連するレコメンデーションを提案するシステムを構築することは、常に議論の的となっている。 低複雑性で適切なレコメンデーションを生成するという点で最もコスト効率のよいテクニックの1つは、PQ(Product Quantization)である。 PQアプローチは近年発展を続けている。 このシステムの重要な課題は、その複雑さを損なうことなく、リコール対策の観点から製品の量子化性能を改善することである。 このアルゴリズムは、他のものを無視することなく、より多くの潜在的なアイテムを必要とする問題に適応し、高速かつ低コストでトラフィックに追従できる。 これは、客が他の商品をスクーピングする恐れがあるにもかかわらず、目的の勧告が重要であるオンラインショップの場合である。 本研究は,標準ベースの製品量子化を行うファジィアプローチを提案する。 Type-2 Fuzzy Set (T2FSs) は、サブベクター(T2FSs)がコードブックの1つ以上の要素に関連付けることを可能にするコードブックを定義し、次に、その標準計算は統合によって解決される。 提案手法はリコール尺度を微調整し,他の項目を無視することなく,潜在的に潜在的に潜在的に考えられる項目を問合せする必要がある問題に適したアルゴリズムを作成する。 提案手法は,NEQ,PQ,RQなどのすべてのPQアプローチを,それぞれ94%,69%,Netflixで59%,オーディオで59%,Cifar60kデータセットでリコールすることで,+6%,+5%,+8%に向上させる。 ますます、計算時間と複雑さは、最先端における最も計算効率のよい既存のPQ法とほぼ等しくなる。

関連論文リスト

• Learning with Posterior Sampling for Revenue Management under Time-varying Demand [36.22276574805786]
  価格設定項目やサービスによる収益を最大化するための収益管理問題について議論する。 この問題の1つの課題は、需要分布が未知であり、航空会社や小売業のような実際の応用において時間とともに変化することである。
  論文  参考訳（メタデータ） (2024-05-08T09:28:26Z)
• Learning RL-Policies for Joint Beamforming Without Exploration: A Batch Constrained Off-Policy Approach [1.0080317855851213]
  本稿では,ネットワークにおけるパラメータキャンセル最適化の問題点について考察する。 探索と学習のために実世界でアルゴリズムをデプロイすることは、探索せずにデータによって達成できることを示す。
  論文  参考訳（メタデータ） (2023-10-12T18:36:36Z)
• Learning to Order for Inventory Systems with Lost Sales and Uncertain Supplies [21.690446677016247]
  我々は, 在庫管理システムを, 計画的地平線上でのリードタイム$L$とみなし, 供給は不確実であり, 注文量の関数である。 提案アルゴリズムは,O(L+sqrtT)$が$Lgeqlog(T)$である場合に,そのアルゴリズムのコストと,O(L+sqrtT)$に対する最適ポリシーとの相違(英語版)を生じることを示す。
  論文  参考訳（メタデータ） (2022-07-10T22:11:32Z)
• An Experimental Design Perspective on Model-Based Reinforcement Learning [73.37942845983417]
  環境からの状態遷移を観察するのは費用がかかる。 標準RLアルゴリズムは通常、学習するために多くの観測を必要とする。 本稿では,マルコフ決定過程について,状態-作用対がどの程度の情報を提供するかを定量化する獲得関数を提案する。
  論文  参考訳（メタデータ） (2021-12-09T23:13:57Z)
• Online Sub-Sampling for Reinforcement Learning with General Function Approximation [111.01990889581243]
  本稿では,RLアルゴリズムによって収集されたデータポイントの情報取得量を測定する,効率的なオンラインサブサンプリングフレームワークを確立する。 複雑性バウンド関数クラスを持つ値ベースのメソッドの場合、$proptooperatornamepolylog(K)$ timesに対してのみポリシーを更新する必要がある。 少なくとも$Omega(K)$倍のポリシーを更新する既存のアプローチとは対照的に、当社のアプローチはポリシーの解決における最適化コールの数を劇的に削減します。
  論文  参考訳（メタデータ） (2021-06-14T07:36:25Z)
• Offline Model-Based Optimization via Normalized Maximum Likelihood Estimation [101.22379613810881]
  データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。 この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。 我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
  論文  参考訳（メタデータ） (2021-02-16T06:04:27Z)
• High Dimensional Level Set Estimation with Bayesian Neural Network [58.684954492439424]
  本稿では,ベイズニューラルネットワークを用いた高次元レベル集合推定問題を解く新しい手法を提案する。 各問題に対して対応する理論情報に基づく取得関数を導出してデータポイントをサンプリングする。 合成データセットと実世界データセットの数値実験により,提案手法は既存手法よりも優れた結果が得られることが示された。
  論文  参考訳（メタデータ） (2020-12-17T23:21:53Z)
• A Tractable Online Learning Algorithm for the Multinomial Logit Contextual Bandit [2.9998316151418107]
  我々は、意思決定者が消費者に製品のサブセットを提供する動的集合最適化問題を考える。 MNL(Multinomial Logit)モデルを用いて消費者選択行動のモデル化を行う。 後悔は$O(sqrtdT + kappa)$で束縛され、既存のメソッドよりもパフォーマンスが大幅に向上していることを示す。
  論文  参考訳（メタデータ） (2020-11-28T00:20:36Z)
• Online Model Selection for Reinforcement Learning with Function Approximation [50.008542459050155]
  我々は、$tildeO(L5/6 T2/3)$ regretで最適な複雑性に適応するメタアルゴリズムを提案する。 また、メタアルゴリズムは、インスタンス依存の後悔境界を著しく改善することを示す。
  論文  参考訳（メタデータ） (2020-11-19T10:00:54Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)

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。