論文の概要: A Geometric Approach to Personalized Recommendation with Set-Theoretic Constraints Using Box Embeddings

• arxiv url: http://arxiv.org/abs/2502.10875v1
• Date: Sat, 15 Feb 2025 18:18:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-18 14:16:25.352784
• Title: A Geometric Approach to Personalized Recommendation with Set-Theoretic Constraints Using Box Embeddings
• Title（参考訳）: ボックス埋め込みを用いた集合論的制約を用いた個人化勧告への幾何学的アプローチ
• Authors: Shib Dasgupta, Michael Boratko, Andrew McCallum,
• Abstract要約: 行が集合論的に依存する行列補完としてパーソナライズされた項目推薦の問題を定式化する。 ボックス埋め込みは直感的に訓練可能なVennダイアグラムとして理解することができる。 単純かつ複雑な項目レコメンデーションクエリに対して,ベクトルベースニューラルネットワークよりもボックス埋め込みの方が最大30%優れていることを実証的に示す。
• 参考スコア（独自算出の注目度）: 43.609405236093025
• License:
• Abstract: Personalized item recommendation typically suffers from data sparsity, which is most often addressed by learning vector representations of users and items via low-rank matrix factorization. While this effectively densifies the matrix by assuming users and movies can be represented by linearly dependent latent features, it does not capture more complicated interactions. For example, vector representations struggle with set-theoretic relationships, such as negation and intersection, e.g. recommending a movie that is "comedy and action, but not romance". In this work, we formulate the problem of personalized item recommendation as matrix completion where rows are set-theoretically dependent. To capture this set-theoretic dependence we represent each user and attribute by a hyper-rectangle or box (i.e. a Cartesian product of intervals). Box embeddings can intuitively be understood as trainable Venn diagrams, and thus not only inherently represent similarity (via the Jaccard index), but also naturally and faithfully support arbitrary set-theoretic relationships. Queries involving set-theoretic constraints can be efficiently computed directly on the embedding space by performing geometric operations on the representations. We empirically demonstrate the superiority of box embeddings over vector-based neural methods on both simple and complex item recommendation queries by up to 30 \% overall.
• Abstract（参考訳）: パーソナライズされたアイテムレコメンデーションは、典型的にはデータスパーシティに悩まされるが、最も多くは低ランク行列因数分解によるユーザとアイテムのベクトル表現の学習によって対処される。 これは、ユーザと映画が線形依存的な潜在機能によって表現できると仮定して、マトリックスを効果的に密度付けするが、より複雑な相互作用を捉えることはできない。 例えば、ベクトル表現は、否定や交叉のような集合論的な関係に苦しむ。 そこで本研究では,行が集合論的に依存する行列補完として,パーソナライズされた項目推薦の問題を定式化する。 この集合論的依存を捉えるために、各ユーザと属性をハイパー矩形またはボックス(つまり間隔のカルテシアン積)で表現する。 ボックス埋め込みは直感的に訓練可能なベン図形として理解することができ、それゆえに(ジャカード指数を通して)本質的に類似性を表すだけでなく、自然かつ忠実に任意の集合論的な関係を支持する。 集合論的制約を含むクエリは、表現上の幾何学的操作を実行することにより、埋め込み空間上で直接的に計算することができる。 簡単な項目と複雑な項目のレコメンデーションクエリに対して,ベクトルベースニューラルネットワークよりもボックス埋め込みの方が最大30%優れていることを実証的に示す。

関連論文リスト

• Binder: Hierarchical Concept Representation through Order Embedding of Binary Vectors [3.9271338080639753]
  順序に基づく表現のための新しいアプローチであるBinderを提案する。 Binderは埋め込みにバイナリベクトルを使用するため、埋め込みベクトルは他の方法よりもはるかに小さなフットプリントでコンパクトである。
  論文  参考訳（メタデータ） (2024-04-16T21:52:55Z)
• Entity or Relation Embeddings? An Analysis of Encoding Strategies for Relation Extraction [19.019881161010474]
  関係抽出は、本質的にはテキスト分類問題であり、事前学習言語モデル(LM)を微調整することで取り組める。 既存のアプローチでは、LMを微調整して頭と尾のエンティティの埋め込みを学習し、それらのエンティティの埋め込みから関係を予測する。 本稿では,より直接的な方法で関係を捉えることにより,関係抽出モデルを改善することができるという仮説を立てる。
  論文  参考訳（メタデータ） (2023-12-18T09:58:19Z)
• Obtaining Explainable Classification Models using Distributionally Robust Optimization [12.511155426574563]
  特徴値規則の集合を用いて構築した一般化線形モデルについて検討する。 ルールセットの間隔と予測精度の間には、固有のトレードオフが存在する。 我々はこれらの競合する要因に同時に対処するルールセットの集合を学習するための新しい定式化を提案する。
  論文  参考訳（メタデータ） (2023-11-03T15:45:34Z)
• Answering Compositional Queries with Set-Theoretic Embeddings [43.926610595182126]
  ボックス埋め込みは、学習可能なVennダイアグラムと考えることができる領域ベースの表現である。 双方の行動に関する知見を提供する実験と分析について述べる。 ベクトルとボックスの埋め込みは単一の属性クエリに等しく適しているが、コンポジションクエリボックスの埋め込みは大きな利点がある。
  論文  参考訳（メタデータ） (2023-06-07T04:04:36Z)
• Sparse Quadratic Optimisation over the Stiefel Manifold with Application to Permutation Synchronisation [71.27989298860481]
  二次目的関数を最大化するスティーフェル多様体上の行列を求める非最適化問題に対処する。 そこで本研究では,支配的固有空間行列を求めるための,単純かつ効果的なスパーシティプロモーティングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-09-30T19:17:35Z)
• The Stereotyping Problem in Collaboratively Filtered Recommender Systems [77.56225819389773]
  行列分解に基づく協調フィルタリングアルゴリズムは,ある種のステレオタイピングを誘導することを示す。 一般のユーザ層では、テキストセットの好みが反相関性がある場合、これらの項目は、ユーザーには推奨されない。 本稿では,各ユーザの多様な利害関係を捉えるために,代替的なモデリング修正を提案する。
  論文  参考訳（メタデータ） (2021-06-23T18:37:47Z)
• Sparse-Interest Network for Sequential Recommendation [78.83064567614656]
  本稿では,シーケンシャルレコメンデーションのためのtextbfSparse textbfInterest textbfNEtwork(SINE)を提案する。 我々のスパース関心モジュールは、大きなコンセプトプールから各ユーザに対してスパースの概念セットを適応的に推測することができる。 SINEは最先端の手法よりも大幅に改善できる。
  論文  参考訳（メタデータ） (2021-02-18T11:03:48Z)
• RatE: Relation-Adaptive Translating Embedding for Knowledge Graph Completion [51.64061146389754]
  複素空間における新たな重み付き積の上に構築された関係適応変換関数を提案する。 次に、関係適応型翻訳埋め込み(RatE)アプローチを示し、各グラフを3倍にスコアする。
  論文  参考訳（メタデータ） (2020-10-10T01:30:30Z)
• Eigendecomposition-Free Training of Deep Networks for Linear Least-Square Problems [107.3868459697569]
  我々は、ディープネットワークのトレーニングに固有分解のないアプローチを導入する。 この手法は固有分解の明示的な微分よりもはるかに堅牢であることを示す。 我々の手法は収束特性が良く、最先端の結果が得られます。
  論文  参考訳（メタデータ） (2020-04-15T04:29:34Z)

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。