論文の概要: Criteria-Aware Graph Filtering: Extremely Fast Yet Accurate Multi-Criteria Recommendation
- arxiv url: http://arxiv.org/abs/2502.09046v1
- Date: Thu, 13 Feb 2025 08:01:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-14 13:50:14.231612
- Title: Criteria-Aware Graph Filtering: Extremely Fast Yet Accurate Multi-Criteria Recommendation
- Title(参考訳): Criteria-Aware Graph Filtering:超高速かつ高精度なマルチクリトリアレコメンデーション
- Authors: Jin-Duk Park, Jaemin Yoo, Won-Yong Shin,
- Abstract要約: マルチクリーター(MC)レコメンダシステムは、様々なeコマースドメインで急速に普及している。
しかし、トレーニングベースの協調フィルタリングを用いたMCレコメンデーションでは、単一基準よりも複数の評価を考慮する必要がある。
本稿では,MC推薦を効率的にかつ正確に行うために,基準対応グラフ上に構築したトレーニングフリーMCレコメンデーション手法であるCA-GFを提案する。
- 参考スコア(独自算出の注目度): 20.740346109417143
- License:
- Abstract: Multi-criteria (MC) recommender systems, which utilize MC rating information for recommendation, are increasingly widespread in various e-commerce domains. However, the MC recommendation using training-based collaborative filtering, requiring consideration of multiple ratings compared to single-criterion counterparts, often poses practical challenges in achieving state-of-the-art performance along with scalable model training. To solve this problem, we propose CA-GF, a training-free MC recommendation method, which is built upon criteria-aware graph filtering for efficient yet accurate MC recommendations. Specifically, first, we construct an item-item similarity graph using an MC user-expansion graph. Next, we design CA-GF composed of the following key components, including 1) criterion-specific graph filtering where the optimal filter for each criterion is found using various types of polynomial low-pass filters and 2) criteria preference-infused aggregation where the smoothed signals from each criterion are aggregated. We demonstrate that CA-GF is (a) efficient: providing the computational efficiency, offering the extremely fast runtime of less than 0.2 seconds even on the largest benchmark dataset, (b) accurate: outperforming benchmark MC recommendation methods, achieving substantial accuracy gains up to 24% compared to the best competitor, and (c) interpretable: providing interpretations for the contribution of each criterion to the model prediction based on visualizations.
- Abstract(参考訳): MCレコメンデーションにMCレーティング情報を利用するマルチ基準(MC)レコメンデーションシステムは、様々なeコマースドメインで急速に普及している。
しかし、トレーニングベースのコラボレーティブフィルタリングを用いたMC勧告では、単一基準と比較した場合、複数の評価を考慮しなければならないため、スケーラブルなモデルトレーニングとともに最先端のパフォーマンスを達成する上で、実践的な課題がしばしば生じている。
そこで本研究では,MC推薦を効率的にかつ正確に行うための基準付きグラフフィルタリングを基盤として,トレーニング不要なMCレコメンデーション手法であるCA-GFを提案する。
具体的には,まずMCユーザ拡張グラフを用いて項目と項目の類似性グラフを構築する。
次に、以下のキーコンポーネントからなるCA-GFを設計する。
1) 各基準に対する最適フィルタが多項式ローパスフィルタの様々な種類を用いて検出される基準固有グラフフィルタリング
2) 各基準からのスムーズな信号が集約される基準優先注入アグリゲーション。
私たちはCA-GFが正しいことを証明した。
(a) 効率的な: 計算効率を提供し、最大のベンチマークデータセットでさえ0.2秒未満の非常に高速なランタイムを提供する。
(b) 正確性: ベンチマークMC推薦法を上回り、最高の競争相手に比べて精度が最大24%向上する。
(c)解釈可能:可視化に基づくモデル予測に対する各基準の貢献の解釈を提供する。
関連論文リスト
- An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
まず最適化モデルを構築し,非単調な選好をモデル化する。
本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。
2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
論文 参考訳(メタデータ) (2024-09-04T14:36:20Z) - Contextual Distillation Model for Diversified Recommendation [19.136439564988834]
文脈蒸留モデル(CDM)は、多様化に対処する効率的なレコメンデーションモデルである。
本稿では,肯定的コンテキストと否定的コンテキストの両方をモデル化するための注意機構を用いたコントラスト型コンテキストエンコーダを提案する。
推論中は、推薦と学生モデルスコアを線形に組み合わせてランキングを行う。
論文 参考訳(メタデータ) (2024-06-13T11:55:40Z) - Aligning GPTRec with Beyond-Accuracy Goals with Reinforcement Learning [67.71952251641545]
GPTRecはアイテム・バイ・イテムレコメンデーションのためのTop-Kモデルの代替品である。
GPTRecは,従来のグリーディ・リグレード手法よりも精度とセカンダリ・メトリクスのトレードオフが優れていることを示す。
2つのデータセットに対する実験により、GPTRecのNext-K生成アプローチは、古典的なグリージーな再ランク技術よりも精度と二次メトリクスのトレードオフが優れていることが示された。
論文 参考訳(メタデータ) (2024-03-07T19:47:48Z) - Towards Open-ended Visual Quality Comparison [87.45004129101089]
我々は、新しい大規模マルチモーダリティモデル(LMM)のエッジを拡張し、視覚的品質比較をオープンエンド設定に進める。
Co-Instructはオープンソースのビジュアル品質比較ツールだ。
我々はCo-Instructが最先端のオープンソースLMMよりも平均30%高い精度で達成できることを実証した。
論文 参考訳(メタデータ) (2024-02-26T15:10:56Z) - Frequency-aware Graph Signal Processing for Collaborative Filtering [26.317108637430664]
協調フィルタリングのための周波数対応グラフ信号処理法(FaGSP)を提案する。
まず,理想的な高域通過フィルタと理想的な低域通過フィルタからなるカスケードフィルタモジュールを設計する。
そこで,2つの低域通過フィルタからなる並列フィルタモジュールを考案した。
論文 参考訳(メタデータ) (2024-02-13T12:53:18Z) - How to Prune Your Language Model: Recovering Accuracy on the "Sparsity
May Cry'' Benchmark [60.72725673114168]
下流データセットの微調整中における正確なBERTプルーニングの問題を再考する。
そこで我々は,SMCベンチマークの挑戦においても,プルーニングを成功させるための一般的なガイドラインを提案する。
論文 参考訳(メタデータ) (2023-12-21T03:11:30Z) - Criteria Tell You More than Ratings: Criteria Preference-Aware Light
Graph Convolution for Effective Multi-Criteria Recommendation [5.536402965666082]
我々は,GNN支援MCレコメンデータシステムを設計するための最初の試みを行う。
具体的には,光グラフ畳み込みCPA-LGC法を考案した。
この目的のために、まず、MC評価を拡張二部グラフに変換するMC拡張グラフを構築する。
次に、CPA-LGCは、基準優先意識の能力を強化するために、新しく特徴付けられた埋め込みを取り入れている。
論文 参考訳(メタデータ) (2023-05-30T09:27:36Z) - Recommendation Systems with Distribution-Free Reliability Guarantees [83.80644194980042]
我々は、主に良いアイテムを含むことを厳格に保証されたアイテムのセットを返す方法を示す。
本手法は, 擬似発見率の厳密な有限サンプル制御によるランキングモデルを提供する。
我々はYahoo!のランキングとMSMarcoデータセットの学習方法を評価する。
論文 参考訳(メタデータ) (2022-07-04T17:49:25Z) - Conditional Sequential Slate Optimization [15.10459152219771]
検索ランキングシステムは通常、検索結果を独立したクエリ文書スコアで順序付けし、検索結果のスレートを生成する。
本稿では,従来のランク付け指標の最適化と,スレート内の文書の所定の分布基準を共同で学習する条件付きシーケンシャルスレート最適化(CSSO)を提案する。
提案手法は,eコマース検索結果の多様性の強化,トップ検索結果のバイアス軽減,結果のパーソナライズなど,現実的な課題に適用できる。
論文 参考訳(メタデータ) (2021-08-12T09:14:46Z) - Blending Pruning Criteria for Convolutional Neural Networks [13.259106518678474]
近年のネットワークプルーニングは,モデルの冗長性を低減するための有効な手法である。
ある基準に従って1つのフィルタが重要になりうるが、別の基準によっては不要であり、これは各基準が包括的「重要度」の部分的なビューであることを示している。
本稿では,既存のフィルタプルーニング基準を統合するための新しい枠組みを提案する。
論文 参考訳(メタデータ) (2021-07-11T12:34:19Z) - CRACT: Cascaded Regression-Align-Classification for Robust Visual
Tracking [97.84109669027225]
改良された提案改良モジュールCascaded Regression-Align- Classification (CRAC)を導入する。
CRACは多くのベンチマークで最先端のパフォーマンスを得る。
OTB-2015、UAV123、NfS、VOT-2018、TrackingNet、GOT-10k、LaSOTを含む7つのベンチマークの実験において、我々のCRACTは最先端の競合他社と比較して非常に有望な結果を示している。
論文 参考訳(メタデータ) (2020-11-25T02:18:33Z)
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。