論文の概要: Harnessing Light for Cold-Start Recommendations: Leveraging Epistemic Uncertainty to Enhance Performance in User-Item Interactions

• arxiv url: http://arxiv.org/abs/2502.16256v3
• Date: Fri, 08 Aug 2025 03:15:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 18:31:47.084598
• Title: Harnessing Light for Cold-Start Recommendations: Leveraging Epistemic Uncertainty to Enhance Performance in User-Item Interactions
• Title（参考訳）: コールドスタートレコメンデーションのためのハーネスティング光--ユーザ-アイテムインタラクションのパフォーマンス向上への認識不確かさの活用
• Authors: Yang Xiang, Li Fan, Chenke Yin, Menglin Kong, Chengtao Ji,
• Abstract要約: 本稿では,Cold-Start Recommendation on Epistemic Uncertainty (CREU) frameworkを提案する。 CREUはPairwise-Distance Estimators (PaiDEs) にインスパイアされ、てんかんの不確かさを効率的に正確に測定する。 提案手法は,公開データセット上での広範囲なオフライン実験により評価される。
• 参考スコア（独自算出の注目度）: 7.459890957600147
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most recent paradigms of generative model-based recommendation still face challenges related to the cold-start problem. Existing models addressing cold item recommendations mainly focus on acquiring more knowledge to enrich embeddings or model inputs. However, many models do not assess the efficiency with which they utilize the available training knowledge, leading to the extraction of significant knowledge that is not fully used, thus limiting improvements in cold-start performance. To address this, we introduce the concept of epistemic uncertainty to indirectly define how efficiently a model uses the training knowledge. Since epistemic uncertainty represents the reducible part of the total uncertainty, we can optimize the recommendation model further based on epistemic uncertainty to improve its performance. To this end, we propose a Cold-Start Recommendation based on Epistemic Uncertainty (CREU) framework. Additionally, CREU is inspired by Pairwise-Distance Estimators (PaiDEs) to efficiently and accurately measure epistemic uncertainty by evaluating the mutual information between model outputs and weights in high-dimensional spaces. The proposed method is evaluated through extensive offline experiments on public datasets, which further demonstrate the advantages and robustness of CREU. The source code is available at https://github.com/EsiksonX/CREU.
• Abstract（参考訳）: 生成モデルに基づくリコメンデーションの最も最近のパラダイムは、コールドスタート問題に関連する課題に直面している。 コールドアイテムレコメンデーションに対処する既存のモデルは、埋め込みやモデル入力を豊かにするための知識獲得に重点を置いている。 しかし、多くのモデルは、利用可能なトレーニング知識を利用する効率を評価せず、十分に使用されていない重要な知識を抽出し、コールドスタート性能の改善を制限している。 これを解決するために,モデルがトレーニング知識をいかに効率的に活用するかを間接的に定義するために,疫学の不確実性の概念を導入する。 てんかん不確実性は全不確実性の再現可能な部分を表すので, てんかん不確実性に基づいて推奨モデルをさらに最適化し, その性能を向上させることができる。 この目的のために,疫学不確実性(CREU)フレームワークに基づくコールドスタート勧告を提案する。 さらに、CREUはPairwise-Distance Estimators (PaiDEs) にインスパイアされ、高次元空間におけるモデル出力と重みの相互情報を評価することにより、疫学的不確実性を効率的に正確に測定する。 提案手法は,公共データセット上での広範囲なオフライン実験により評価され,CREUの利点とロバスト性をさらに実証する。 ソースコードはhttps://github.com/EsiksonX/CREU.comで入手できる。

関連論文リスト

• Epistemic Uncertainty-aware Recommendation Systems via Bayesian Deep Ensemble Learning [2.3310092106321365]
  より堅牢で信頼性の高い予測を生成するために,アンサンブルに基づくスーパーモデルを提案する。 また,ユーザとアイテムの埋め込みに対して,解釈可能な非線形マッチング手法を導入する。
  論文  参考訳（メタデータ） (2025-04-14T23:04:35Z)
• Slow Thinking for Sequential Recommendation [88.46598279655575]
  本稿では,STREAM-Recという新しいスローシンキングレコメンデーションモデルを提案する。 弊社のアプローチは、過去のユーザの振る舞いを分析し、多段階の熟考的推論プロセスを生成し、パーソナライズされたレコメンデーションを提供する。 具体的には,(1)レコメンデーションシステムにおける適切な推論パターンを特定すること,(2)従来のレコメンデーションシステムの推論能力を効果的に刺激する方法を検討すること,の2つの課題に焦点を当てる。
  論文  参考訳（メタデータ） (2025-04-13T15:53:30Z)
• Shallow AutoEncoding Recommender with Cold Start Handling via Side Features [2.8680286413498903]
  コールドスタート問題に対処するために,ユーザ側情報とアイテム側情報をシームレスに統合する拡張EASEモデルを導入する。 コールドスタート項目を効果的に推奨し, 余分なバイアスを伴わずにコールドスタートユーザを扱い, バランスをとる方法を提案する。
  論文  参考訳（メタデータ） (2025-04-03T05:27:55Z)
• Contrastive Learning for Cold Start Recommendation with Adaptive Feature Fusion [2.2194815687410627]
  本稿では,コントラスト学習を統合したコールドスタートレコメンデーションモデルを提案する。 このモデルは適応的特徴選択モジュールを通じて鍵特徴の重みを動的に調整する。 マルチモーダルな特徴融合機構を組み合わせることで、ユーザ属性、アイテムメタ情報、コンテキスト特徴を統合する。
  論文  参考訳（メタデータ） (2025-02-05T23:15:31Z)
• Prompt Tuning for Item Cold-start Recommendation [21.073232866618554]
  コールドスタートフェーズの成功は、アイテムが人気のあるものに移行できるかどうかを決定するため、オンラインレコメンデーションシステムにとって、アイテムコールドスタート問題は不可欠である。 自然言語処理(NLP)においてゼロまたは少数ショット問題に対処するために使用される強力なテクニックであるPrompt Learningは、同様の課題に対処するための推奨システムに適応している。 本稿では,この2つの問題を同時に解決するために,高価値な正のフィードバック(ピンナクルフィードバック)をプロンプト情報として活用することを提案する。
  論文  参考訳（メタデータ） (2024-12-24T01:38:19Z)
• Online Item Cold-Start Recommendation with Popularity-Aware Meta-Learning [14.83192161148111]
  本稿では,アイテムコールドスタート問題に対処するために,Popularity-Aware Meta-learning (PAM) と呼ばれるモデルに依存しない推薦アルゴリズムを提案する。 PAMは、入力データを予め定義されたアイテム人気閾値によって異なるメタ学習タスクに分割する。 これらのタスク修正設計により、オフラインメソッドと比較して計算とストレージコストが大幅に削減される。
  論文  参考訳（メタデータ） (2024-11-18T01:30:34Z)
• Could Small Language Models Serve as Recommenders? Towards Data-centric Cold-start Recommendations [38.91330250981614]
  本稿では,言語モデルの文脈内学習に基づくシンプルだが効果的なアプローチであるPromptRecを提案する。 本稿では,データ中心パイプラインを用いたレコメンデータシステムのための小型言語モデルを提案する。 私たちの知る限りでは、システムコールドスタートレコメンデーション問題に取り組む最初の研究である。
  論文  参考訳（メタデータ） (2023-06-29T18:50:12Z)
• Re-thinking Data Availablity Attacks Against Deep Neural Networks [53.64624167867274]
  本稿では、未学習例の概念を再検討し、既存のロバストな誤り最小化ノイズが不正確な最適化目標であることを示す。 本稿では,計算時間要件の低減による保護性能の向上を図った新しい最適化パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-05-18T04:03:51Z)
• FairRoad: Achieving Fairness for Recommender Systems with Optimized Antidote Data [15.555228739298045]
  我々は、最適化された解毒剤データ(FairRoad)を用いたフェアレコメンデーションと呼ばれる新しいアプローチを提案する。 提案する解毒剤データ生成アルゴリズムは,少量の解毒剤データを用いたレコメンデータシステムの公正性を著しく向上する。
  論文  参考訳（メタデータ） (2022-12-13T17:32:44Z)
• 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)
• Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
  コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。 MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
  論文  参考訳（メタデータ） (2021-10-18T08:11:24Z)
• Knowledge Transfer via Pre-training for Recommendation: A Review and Prospect [89.91745908462417]
  実験による推薦システムに対する事前学習の利点を示す。 事前学習を伴うレコメンデータシステムの今後の研究に向けて,いくつかの将来的な方向性について論じる。
  論文  参考訳（メタデータ） (2020-09-19T13:06:27Z)
• Latent Unexpected Recommendations [89.2011481379093]
  ユーザとアイテムの埋め込みの潜伏した空間における予測性をモデル化し、新しいレコメンデーションと歴史的購入の間の隠れた複雑な関係を捉えることを提案する。 さらに,ハイブリッドユーティリティ機能の構築と,提案モデルに基づく予期せぬ推薦を行うための新しい潜在クロージャ(LC)手法を開発した。
  論文  参考訳（メタデータ） (2020-07-27T02:39:30Z)
• Learning the Truth From Only One Side of the Story [58.65439277460011]
  一般化線形モデルに焦点をあて、このサンプリングバイアスを調整しなければ、モデルは準最適に収束するか、あるいは最適解に収束しないかもしれないことを示す。 理論的保証を伴って適応的なアプローチを提案し、いくつかの既存手法を実証的に上回っていることを示す。
  論文  参考訳（メタデータ） (2020-06-08T18:20:28Z)

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。