論文の概要: MixRec: Individual and Collective Mixing Empowers Data Augmentation for Recommender Systems

• arxiv url: http://arxiv.org/abs/2501.13579v1
• Date: Thu, 23 Jan 2025 11:38:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-24 15:54:53.413163
• Title: MixRec: Individual and Collective Mixing Empowers Data Augmentation for Recommender Systems
• Title（参考訳）: MixRec: Recommenderシステムのための個人および集団混合エンパワーメントデータ拡張
• Authors: Yi Zhang, Yiwen Zhang,
• Abstract要約: 本稿では,データ拡張の促進を目的とした新しいDual Mixing-based Recommendation Framework (MixRec)を提案する。 4つの実世界のデータセットに対する実験結果は、推奨性能、トレーニング効率、スパーシビリティ、ユーザビリティの観点からMixRecの有効性を示す。
• 参考スコア（独自算出の注目度）: 9.246794478152223
• License:
• Abstract: The core of the general recommender systems lies in learning high-quality embedding representations of users and items to investigate their positional relations in the feature space. Unfortunately, data sparsity caused by difficult-to-access interaction data severely limits the effectiveness of recommender systems. Faced with such a dilemma, various types of self-supervised learning methods have been introduced into recommender systems in an attempt to alleviate the data sparsity through distribution modeling or data augmentation. However, most data augmentation relies on elaborate manual design, which is not only not universal, but the bloated and redundant augmentation process may significantly slow down model training progress. To tackle these limitations, we propose a novel Dual Mixing-based Recommendation Framework (MixRec) to empower data augmentation as we wish. Specifically, we propose individual mixing and collective mixing, respectively. The former aims to provide a new positive sample that is unique to the target (user or item) and to make the pair-wise recommendation loss benefit from it, while the latter aims to portray a new sample that contains group properties in a batch. The two mentioned mixing mechanisms allow for data augmentation with only one parameter that does not need to be set multiple times and can be done in linear time complexity. Besides, we propose the dual-mixing contrastive learning to maximize the utilization of these new-constructed samples to enhance the consistency between pairs of positive samples. Experimental results on four real-world datasets demonstrate the effectiveness of MixRec in terms of recommendation performance, training efficiency, sparsity resistance, and usability.
• Abstract（参考訳）: 一般的なレコメンデータシステムの中核は、ユーザとアイテムの高品質な埋め込み表現を学習し、特徴空間におけるそれらの位置関係を調査することにある。 残念ながら、アクセスが難しいインタラクションデータによって引き起こされるデータ空間は、レコメンダシステムの有効性を著しく制限する。 このようなジレンマに直面して、分散モデリングやデータ拡張によるデータの分散性を軽減するために、様々なタイプの自己教師型学習手法がレコメンデータシステムに導入されている。 しかし、ほとんどのデータ拡張は精巧な手作業による設計に依存しており、これは普遍的なだけでなく、肥大化と冗長化によってモデルの訓練の進行が著しく遅くなる可能性がある。 これらの制約に対処するために、我々は望むデータ拡張を強化するために、新しいDual MixingベースのRecommendation Framework (MixRec)を提案する。 具体的には,それぞれ個別混合と集合混合を提案する。 前者は、ターゲット(ユーザまたはアイテム)に特有の新しいポジティブサンプルを提供し、そのメリットをペアワイズレコメンデーションの損失にすることを目的としており、後者は、バッチにグループプロパティを含む新しいサンプルを描写することを目的としている。 前述の2つのミキシングメカニズムは、複数回設定する必要がなく、線形時間の複雑さで実行できる1つのパラメータでデータ拡張を可能にする。 さらに,新たに構築したサンプルの利用を最大化し,正のサンプルのペア間の整合性を高めるために,二重混合コントラスト学習を提案する。 4つの実世界のデータセットに対する実験結果は、推奨性能、トレーニング効率、スパーシビリティ、ユーザビリティの観点からMixRecの有効性を示す。

関連論文リスト

• ProxiMix: Enhancing Fairness with Proximity Samples in Subgroups [17.672299431705262]
  線形ミックスアップのみを使用することで、バイアス軽減のためのデータ拡張テクニックは、データセットラベルにバイアスを保持することができる。 本稿では,既存の混合手法と新たなバイアス軽減アルゴリズムの両方を活用可能な,新しい前処理手法を提案する。 ProxiMixは、より公平なデータ拡張のために、ペアワイズと近接関係を保持します。
  論文  参考訳（メタデータ） (2024-10-02T00:47:03Z)
• DimeRec: A Unified Framework for Enhanced Sequential Recommendation via Generative Diffusion Models [39.49215596285211]
  シークエンシャルレコメンデーション(SR:Sequential Recommendation)は、非定常的な歴史的相互作用に基づいてユーザの好みに合わせてレコメンデーションを調整することによって、レコメンデーションシステムにおいて重要な役割を担っている。 誘導抽出モジュール(GEM)と生成拡散凝集モジュール(DAM)を組み合わせたDimeRecという新しいフレームワークを提案する。 我々の数値実験により、DimeRecは3つの公開データセットで確立されたベースライン法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-22T06:42:09Z)
• Mixup Your Own Pairs [22.882694278940598]
  我々は、回帰に対する対照的な学習の可能性は、2つの重要な側面(常性認識と硬さ)を無視しているため、隠蔽されていると論じる。 具体的には,Mix(SupReMix)を用いた回帰学習における教師付きコントラスト学習を提案する。 アンカー・インクルージョン混合物(アンカー・インクルージョン混合物、アンカー・インクルージョン混合物、アンカー・インクルージョン混合物、アンカー・インクルージョン混合物、アンカー・インクルージョン混合物、アンカー・インクルージョン混合物、アンカー・インクルージョン混合物、アンカー・インクルージョン混合物、アンカー・インクルージョン混合物、アンカー・インクルージョン混合物、アンカー・インクルージョン混合物、アンカー・インクルージョン混合物、アンカー・インクルージョン混合物、アンカー・インクルージョン混合物、アンカー・インクルージョン混合物、アンカー・インクルージョン混合物、アンカー・インクルージョン混合物、アンカー・インクルージョン混合物、アンカー・インクルージョン
  論文  参考訳（メタデータ） (2023-09-28T17:38:59Z)
• DoubleMix: Simple Interpolation-Based Data Augmentation for Text Classification [56.817386699291305]
  本稿では,DoubleMixと呼ばれる単純なデータ拡張手法を提案する。 DoubleMixはまず、トレーニングデータごとにいくつかの摂動サンプルを生成する。 次に、摂動データと元のデータを使って、隠れたニューラルネットワークの空間で2段階のステップを実行する。
  論文  参考訳（メタデータ） (2022-09-12T15:01:04Z)
• DBN-Mix: Training Dual Branch Network Using Bilateral Mixup Augmentation for Long-Tailed Visual Recognition [7.94190631530826]
  累積学習を必要とせず,DBNの性能を向上させるための簡易かつ効果的な手法を開発した。 提案したDBNアーキテクチャの多数派に対する偏りを緩和するクラス条件温度スケーリングを提案する。
  論文  参考訳（メタデータ） (2022-07-05T17:01:27Z)
• Harnessing Hard Mixed Samples with Decoupled Regularizer [69.98746081734441]
  Mixupは、決定境界を混合データで滑らかにすることで、ニューラルネットワークの一般化を改善する効率的なデータ拡張アプローチである。 本稿では,非結合型正規化器(Decoupled Mixup, DM)を用いた効率的な混合目標関数を提案する。 DMは、ミキシングの本来の滑らかさを損なうことなく、硬質混合試料を適応的に利用して識別特性をマイニングすることができる。
  論文  参考訳（メタデータ） (2022-03-21T07:12:18Z)
• SURF: Semi-supervised Reward Learning with Data Augmentation for Feedback-efficient Preference-based Reinforcement Learning [168.89470249446023]
  我々は、大量のラベルなしサンプルとデータ拡張を利用する半教師付き報酬学習フレームワークSURFを提案する。 報奨学習にラベルのないサンプルを活用するために,選好予測器の信頼性に基づいてラベルのないサンプルの擬似ラベルを推定する。 本実験は, ロボット操作作業における嗜好に基づく手法のフィードバック効率を有意に向上させることを実証した。
  論文  参考訳（メタデータ） (2022-03-18T16:50:38Z)
• Contrastive Self-supervised Sequential Recommendation with Robust Augmentation [101.25762166231904]
  Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。 データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。 逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
  論文  参考訳（メタデータ） (2021-08-14T07:15:25Z)
• Leveraging Historical Interaction Data for Improving Conversational Recommender System [105.90963882850265]
  アイテムと属性に基づく嗜好シーケンスを統合するための,新しい事前学習手法を提案する。 実世界の2つのデータセットの実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-19T03:43:50Z)
• S^3-Rec: Self-Supervised Learning for Sequential Recommendation with Mutual Information Maximization [104.87483578308526]
  本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。 そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。 6つの実世界のデータセットで実施された大規模な実験は、既存の最先端手法よりも提案手法が優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-18T11:44:10Z)

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。