論文の概要: Coarse-to-Fine Lightweight Meta-Embedding for ID-Based Recommendation

• arxiv url: http://arxiv.org/abs/2501.11870v1
• Date: Tue, 21 Jan 2025 03:56:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:23:42.282542
• Title: Coarse-to-Fine Lightweight Meta-Embedding for ID-Based Recommendation
• Title（参考訳）: IDに基づく勧告のための粗大な軽量メタ埋め込み
• Authors: Yang Wang, Haipeng Liu, Zeqian Yi, Biao Qian, Meng Wang,
• Abstract要約: 我々は,各ユーザとアイテムがノードとして機能する,新しいグラフニューラルネットワーク(GNN)ベースのレコメンデータを開発した。 粗粒のセマンティクスとは対照的に、きめ細かいセマンティクスはスパースメタ埋め込みによってよく捉えられる。 本稿では,ユーザ/イテムのセマンティクスに基づいて,各粗粒度メタエンベディングと細粒度メタエムとをマッチングすることに焦点を当てた重量ブリッジ更新戦略を提案する。
• 参考スコア（独自算出の注目度）: 13.732081010190962
• License:
• Abstract: The state-of-the-art recommendation systems have shifted the attention to efficient recommendation, e.g., on-device recommendation, under memory constraints. To this end, the existing methods either focused on the lightweight embeddings for both users and items, or involved on-device systems enjoying the compact embeddings to enhance reusability and reduces space complexity. However, they focus solely on the coarse granularity of embedding, while overlook the fine-grained semantic nuances, to adversarially downgrade the efficacy of meta-embeddings in capturing the intricate relationship over both user and item, consequently resulting into the suboptimal recommendations. In this paper, we aim to study how the meta-embedding can efficiently learn varied grained semantics, together with how the fine-grained meta-embedding can strengthen the representation of coarse-grained meta-embedding. To answer these questions, we develop a novel graph neural networks (GNNs) based recommender where each user and item serves as the node, linked directly to coarse-grained virtual nodes and indirectly to fine-grained virtual nodes, ensuring different grained semantic learning, while disclosing: 1) In contrast to coarse-grained semantics, fine-grained semantics are well captured through sparse meta-embeddings, which adaptively 2) balance the embedding uniqueness and memory constraint. Additionally, the initialization method come up upon SparsePCA, along with a soft thresholding activation function to render the sparseness of the meta-embeddings. We propose a weight bridging update strategy that focuses on matching each coarse-grained meta-embedding with several fine-grained meta-embeddings based on the users/items' semantics. Extensive experiments substantiate our method's superiority over existing baselines. Our code is available at https://github.com/htyjers/C2F-MetaEmbed.
• Abstract（参考訳）: 最先端のレコメンデーションシステムは、メモリ制約の下で、効率的なレコメンデーション、例えばデバイス上のレコメンデーションに注意を向けている。 この目的のために、既存手法はユーザとアイテムの両方の軽量な埋め込みに焦点を当て、また、再利用性を高め、空間の複雑さを低減するために、コンパクトな埋め込みを楽しむデバイス上のシステムに焦点を合わせている。 しかし, 埋め込みの粗い粒度にのみ焦点を合わせ, きめ細かな意味的ニュアンスを見落としながら, ユーザとアイテムの複雑な関係を捉えるメタエンベディングの有効性を逆向きに低下させ, その結果, 準最適推奨となる。 本稿では, メタエンベディングが多種多様な粒度のセマンティクスを効率的に学習し, 微粒度のメタエンベディングが粗粒度のメタエンベディングの表現をいかに強化するかを検討する。 これらの質問に答えるために、我々は、各ユーザとアイテムがノードとして機能し、粗い仮想ノードに直接リンクし、微粒な仮想ノードに間接的にリンクし、異なる粒度のセマンティックラーニングを確実にし、開示しながら、新しいグラフニューラルネットワーク(GNN)ベースのレコメンデータを開発する。 1)粗粒のセマンティクスとは対照的に、微粒のセマンティクスはスパースメタエンベディングによってうまく捕捉され、適応的に行われる。 2)埋め込みの独自性とメモリ制約のバランスをとる。 さらに,SparsePCAに初期化法とソフトしきい値アクティベーション機能を導入し,メタ埋め込みのスパース性を向上する。 本稿では,ユーザ/イテムズのセマンティクスに基づいて,各粗粒メタエンベディングと細粒メタエンベディングとのマッチングに焦点をあてたウェイトブリッジ更新戦略を提案する。 大規模な実験は、我々の方法が既存のベースラインよりも優れていることを裏付けるものである。 私たちのコードはhttps://github.com/htyjers/C2F-MetaEmbed.comで利用可能です。

関連論文リスト

• SLAck: Semantic, Location, and Appearance Aware Open-Vocabulary Tracking [89.43370214059955]
  Open-vocabulary Multiple Object Tracking (MOT)は、トレーニングセットにはない新しいカテゴリにトラッカーを一般化することを目的としている。 我々は,連合の初期段階において,意味論,位置,出現の先行を共同で検討する統一的な枠組みを提案する。 提案手法は,異なるキューを融合するための複雑な後処理を排除し,大規模オープン語彙追跡のための関連性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-09-17T14:36:58Z)
• Unleash LLMs Potential for Recommendation by Coordinating Twin-Tower Dynamic Semantic Token Generator [60.07198935747619]
  動的セマンティック・インデックス・パラダイムを採用した最初の生成型RSであるTTDS(Twin-Tower Dynamic Semantic Recommender)を提案する。 より具体的には、ツイン・トワー・セマンティック・トークン・ジェネレータをLLMベースのレコメンデータに統合する動的知識融合フレームワークを初めて提案する。 提案したTTDSレコメンデータは,平均19.41%のヒットレート,20.84%のNDCG測定値を実現している。
  論文  参考訳（メタデータ） (2024-09-14T01:45:04Z)
• Heterogenous Memory Augmented Neural Networks [84.29338268789684]
  ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。 学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。 In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
  論文  参考訳（メタデータ） (2023-10-17T01:05:28Z)
• Improving Generalization in Meta-Learning via Meta-Gradient Augmentation [42.48021701246389]
  メタ学習における過度な適合を軽減するために,データ非依存のtextbfMeta-textbfGradient textbfAugmentation (textbfMGAug) 法を提案する。 提案した MGAug は、PAC-Bayes フレームワークからの一般化によって理論的に保証される。
  論文  参考訳（メタデータ） (2023-06-14T12:04:28Z)
• Learning Meta Word Embeddings by Unsupervised Weighted Concatenation of Source Embeddings [15.900069711477542]
  重み付き結合は,各ソース埋め込みとメタ埋め込みのスペクトルマッチング操作と見なすことができる。 メタエンベディング作成のための最適連結重みを学習するための2つのインフン教師手法を提案する。
  論文  参考訳（メタデータ） (2022-04-26T15:41:06Z)
• 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)
• Index $t$-SNE: Tracking Dynamics of High-Dimensional Datasets with Coherent Embeddings [1.7188280334580195]
  本稿では,クラスタの位置を保存した新しいものを作成するために,埋め込みを再利用する手法を提案する。 提案アルゴリズムは,新しい項目を埋め込むために$t$-SNEと同じ複雑さを持つ。
  論文  参考訳（メタデータ） (2021-09-22T06:45:37Z)
• Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
  マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。 本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。 最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
  論文  参考訳（メタデータ） (2021-09-07T04:28:09Z)
• mSHINE: A Multiple-meta-paths Simultaneous Learning Framework for Heterogeneous Information Network Embedding [15.400191040779376]
  不均一情報ネットワーク(HIN)は、明示的なネットワーク構造を用いて、豊富な情報を持つオブジェクトをモデル化するために用いられる。 従来のネットワーク埋め込みアルゴリズムは、HINによって提供される潜在的に互換性のないセマンティクスを捕えるのに最適である。 mSHINEは、異なるメタパスのための複数のノード表現を同時に学習するように設計されている。
  論文  参考訳（メタデータ） (2021-04-06T11:35:56Z)
• Fast Few-Shot Classification by Few-Iteration Meta-Learning [173.32497326674775]
  数ショット分類のための高速な最適化に基づくメタラーニング手法を提案する。 我々の戦略はメタ学習において学習すべき基礎学習者の目的の重要な側面を可能にする。 我々は、我々のアプローチの速度と効果を実証し、総合的な実験分析を行う。
  論文  参考訳（メタデータ） (2020-10-01T15:59:31Z)
• ExchNet: A Unified Hashing Network for Large-Scale Fine-Grained Image Retrieval [43.41089241581596]
  そこで我々は, きめ細かい画像のためのコンパクトなバイナリコードを生成するために, 新たなきめ細かなハッシュトピックについて検討した。 我々は、ExchNetと呼ばれる、エンドツーエンドのトレーニング可能な統合ネットワークを提案する。 提案手法は,5つのきめ細かいデータセットに対して,最先端の汎用ハッシュ法より一貫して優れている。
  論文  参考訳（メタデータ） (2020-08-04T07:01:32Z)

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。