論文の概要: DisCo: Graph-Based Disentangled Contrastive Learning for Cold-Start Cross-Domain Recommendation
- arxiv url: http://arxiv.org/abs/2412.15005v2
- Date: Mon, 23 Dec 2024 03:49:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-24 12:13:21.583432
- Title: DisCo: Graph-Based Disentangled Contrastive Learning for Cold-Start Cross-Domain Recommendation
- Title(参考訳): DisCo: コールドスタートクロスドメイン勧告のためのグラフベースの非交叉型コントラスト学習
- Authors: Hourun Li, Yifan Wang, Zhiping Xiao, Jia Yang, Changling Zhou, Ming Zhang, Wei Ju,
- Abstract要約: クロスドメインレコメンデーション(CDR)が有望なソリューションとして登場した。
しかし、ソースドメインに類似した好みを持つユーザは、ターゲットドメインに対して異なる関心を示す可能性がある。
そこで本稿では,ユーザ意図の微粒化を捉えるために,グラフに基づく非交叉型コントラスト学習フレームワークを提案する。
- 参考スコア(独自算出の注目度): 11.61586672399166
- License:
- Abstract: Recommender systems are widely used in various real-world applications, but they often encounter the persistent challenge of the user cold-start problem. Cross-domain recommendation (CDR), which leverages user interactions from one domain to improve prediction performance in another, has emerged as a promising solution. However, users with similar preferences in the source domain may exhibit different interests in the target domain. Therefore, directly transferring embeddings may introduce irrelevant source-domain collaborative information. In this paper, we propose a novel graph-based disentangled contrastive learning framework to capture fine-grained user intent and filter out irrelevant collaborative information, thereby avoiding negative transfer. Specifically, for each domain, we use a multi-channel graph encoder to capture diverse user intents. We then construct the affinity graph in the embedding space and perform multi-step random walks to capture high-order user similarity relationships. Treating one domain as the target, we propose a disentangled intent-wise contrastive learning approach, guided by user similarity, to refine the bridging of user intents across domains. Extensive experiments on four benchmark CDR datasets demonstrate that DisCo consistently outperforms existing state-of-the-art baselines, thereby validating the effectiveness of both DisCo and its components.
- Abstract(参考訳): レコメンダシステムは、様々な現実世界のアプリケーションで広く使われているが、ユーザによるコールドスタート問題の永続的な課題にしばしば遭遇する。
あるドメインからのユーザインタラクションを活用して、別のドメインでの予測パフォーマンスを改善するクロスドメインレコメンデーション(CDR)が、有望なソリューションとして登場した。
しかし、ソースドメインに類似した好みを持つユーザは、ターゲットドメインに対して異なる関心を示す可能性がある。
したがって、埋め込みを直接転送することは、無関係なソース・ドメインの協調情報をもたらす可能性がある。
本稿では,不適切な協調情報を抽出し,負の移動を避けるために,グラフに基づく非交叉型コントラスト学習フレームワークを提案する。
具体的には、各ドメインに対して、多チャンネルグラフエンコーダを使用して、多様なユーザ意図をキャプチャします。
次に、埋め込み空間に親和性グラフを構築し、複数ステップのランダムウォークを行い、高階ユーザ類似性関係をキャプチャする。
そこで本研究では,ドメイン間におけるユーザ意図のブリッジングを改善するために,ユーザ類似性によって導かれる,意図的コントラスト学習手法を提案する。
4つのベンチマークCDRデータセットに対する大規模な実験は、DisCoが既存の最先端ベースラインを一貫して上回り、DisCoとそのコンポーネントの有効性を検証していることを示している。
関連論文リスト
- Coherence-guided Preference Disentanglement for Cross-domain Recommendations [71.4198675855171]
本研究では,共有項目属性を明示的に抽出し,共有ユーザの好みを学習するためのコヒーレンス誘導型参照不整合(CoPD)手法を提案する。
実世界のデータセットで行った実験は、既存の競争ベースラインよりも提案したCoPDの優れた性能を示し、ドメイン間の推薦性能を向上させる効果を強調した。
論文 参考訳(メタデータ) (2024-10-27T20:21:14Z) - Cross-Domain Sequential Recommendation via Neural Process [9.01082886458853]
Cross-Domain Sequential Recommendation (CDSR)は、シーケンスベースのユーザ関心モデリングにおいてホットなトピックである。
オーバーラップしないユーザの行動の可能性を解き明かし、CDSRを強化する方法を示す。
論文 参考訳(メタデータ) (2024-10-17T14:22:57Z) - Adaptive Coordinators and Prompts on Heterogeneous Graphs for Cross-Domain Recommendations [31.05975545409408]
我々は,マルチドメイングラフを結合構造に統合するフレームワークHAGOを開発した。
また、ユニバーサルなマルチドメイングラフ事前学習戦略も開発している。
提案手法は,マルチドメインレコメンデーションシナリオにおいて最先端の手法より優れている。
論文 参考訳(メタデータ) (2024-10-15T15:50:53Z) - Cross-domain Transfer of Valence Preferences via a Meta-optimization Approach [17.545983294377958]
CVPMはメタラーニングと自己教師型学習のハイブリッドアーキテクチャとして、ドメイン間の関心伝達を形式化する。
ユーザの好みに対する深い洞察を得て、差別化されたエンコーダを使って分布を学習する。
特に、各ユーザのマッピングを共通の変換とパーソナライズされたバイアスの2つの部分として扱い、そこでは、パーソナライズされたバイアスを生成するネットワークがメタラーナーによって出力される。
論文 参考訳(メタデータ) (2024-06-24T10:02:24Z) - Information Maximization via Variational Autoencoders for Cross-Domain Recommendation [26.099908029810756]
我々は、情報最大化変分オートエンコーダ(textbftextttIM-VAE)という新しいCDSRフレームワークを導入する。
ここでは、下流の細粒度CDSRモデルに対するユーザのインタラクション履歴入力を強化するために擬似シーケンス生成器を提案する。
我々の知る限りでは、オープンワールドレコメンデーションシナリオにおける擬似シーケンスの情報のゆがみとデノベーションを考慮に入れた最初のCDSR作品である。
論文 参考訳(メタデータ) (2024-05-31T09:07:03Z) - Exploiting Graph Structured Cross-Domain Representation for Multi-Domain
Recommendation [71.45854187886088]
マルチドメインレコメンデータシステムは、クロスドメイン表現学習とポジティブな知識伝達の恩恵を受ける。
我々はMAGRecと呼ばれる手法のコンテキスト情報として時間的ドメイン内相互作用とドメイン間相互作用を用いる。
我々は、MAGRecが最先端の手法を一貫して上回る様々なシナリオで、公開データセットで実験を行う。
論文 参考訳(メタデータ) (2023-02-12T19:51:32Z) - Cross-domain recommendation via user interest alignment [20.387327479445773]
クロスドメインレコメンデーションは、複数のドメインからの知識を活用して、従来のレコメンデーションシステムにおけるデータの分散性とコールドスタートの問題を軽減することを目的としている。
このアプローチの一般的な実践は、各ドメインに個別にユーザ埋め込みをトレーニングし、それらを平易な方法で集約することです。
本稿では,2つのドメインの推薦性能を改善するために,新しいドメイン間推薦フレームワークであるCOASTを提案する。
論文 参考訳(メタデータ) (2023-01-26T23:54:41Z) - 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) - A cross-domain recommender system using deep coupled autoencoders [77.86290991564829]
クロスドメインレコメンデーションのために2つの新しい結合型オートエンコーダに基づくディープラーニング手法を提案する。
最初の方法は、ソースドメインとターゲットドメイン内のアイテムの固有表現を明らかにするために、一対のオートエンコーダを同時に学習することを目的としている。
第2の方法は,2つのオートエンコーダを用いてユーザとアイテム待ち行列を深く非線形に生成する,新たな共同正規化最適化問題に基づいて導出する。
論文 参考訳(メタデータ) (2021-12-08T15:14:26Z) - Dual Metric Learning for Effective and Efficient Cross-Domain
Recommendations [85.6250759280292]
クロスドメインレコメンダーシステムは、消費者が異なるアプリケーションで有用なアイテムを識別するのを助けるためにますます価値があります。
既存のクロスドメインモデルは、通常、多くのオーバーラップユーザーを必要とするため、いくつかのアプリケーションでは取得が困難である。
本稿では,2つのドメイン間で情報を反復的に伝達する二元学習に基づく新しいクロスドメインレコメンデーションモデルを提案する。
論文 参考訳(メタデータ) (2021-04-17T09:18:59Z) - CATN: Cross-Domain Recommendation for Cold-Start Users via Aspect
Transfer Network [49.35977893592626]
コールドスタートユーザのためのアスペクト転送ネットワークによるクロスドメインレコメンデーションフレームワーク(CATN)を提案する。
CATNは、レビュー文書から各ユーザと各アイテムの複数のアスペクトを抽出し、注意機構を用いてドメイン間のアスペクト相関を学習する。
実世界のデータセットでは、提案したCATNは、評価予測精度の点でSOTAモデルよりも大幅に優れている。
論文 参考訳(メタデータ) (2020-05-21T10:05:19Z)
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。