論文の概要: Intrinsic and Extrinsic Factor Disentanglement for Recommendation in Various Context Scenarios
- arxiv url: http://arxiv.org/abs/2503.03524v1
- Date: Wed, 05 Mar 2025 14:08:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-06 15:52:49.557156
- Title: Intrinsic and Extrinsic Factor Disentanglement for Recommendation in Various Context Scenarios
- Title（参考訳）: 様々なシナリオにおける勧告に対する内因的・外因的要因の絡み合い
- Authors: Yixin Su, Wei Jiang, Fangquan Lin, Cheng Yang, Sarah M. Erfani, Junhao Gan, Yunxiang Zhao, Ruixuan Li, Rui Zhang,
- Abstract要約: レコメンデーションシステムでは、ユーザー行動のパターンは異なる文脈で大きく変化する可能性がある。
これは、ユーザの行動は、ユーザの嗜好を反映する内在的要因と、異なる文脈で異なる可能性のある外部インセンティブを反映する外在的要因の2つのタイプによって共同で決定されるためである。
本稿では,様々な文脈を考慮した外在的要因と内在的要因を同時に区別する一般的なフレームワークである内在的・外在的遠近的勧告(IEDR)モデルを提案する。
- 参考スコア（独自算出の注目度）: 35.72483589870496
- License:
- Abstract: In recommender systems, the patterns of user behaviors (e.g., purchase, click) may vary greatly in different contexts (e.g., time and location). This is because user behavior is jointly determined by two types of factors: intrinsic factors, which reflect consistent user preference, and extrinsic factors, which reflect external incentives that may vary in different contexts. Differentiating between intrinsic and extrinsic factors helps learn user behaviors better. However, existing studies have only considered differentiating them from a single, pre-defined context (e.g., time or location), ignoring the fact that a user's extrinsic factors may be influenced by the interplay of various contexts at the same time. In this paper, we propose the Intrinsic-Extrinsic Disentangled Recommendation (IEDR) model, a generic framework that differentiates intrinsic from extrinsic factors considering various contexts simultaneously, enabling more accurate differentiation of factors and hence the improvement of recommendation accuracy. IEDR contains a context-invariant contrastive learning component to capture intrinsic factors, and a disentanglement component to extract extrinsic factors under the interplay of various contexts. The two components work together to achieve effective factor learning. Extensive experiments on real-world datasets demonstrate IEDR's effectiveness in learning disentangled factors and significantly improving recommendation accuracy by up to 4% in NDCG.
- Abstract（参考訳）: 推薦システムでは、ユーザの行動パターン(例えば、購入、クリック)は、異なる状況(例えば、時間と場所)で大きく異なる場合がある。
これは、ユーザ行動は、一貫したユーザの嗜好を反映する内在的要因と、異なる文脈で異なる可能性のある外部インセンティブを反映する外在的要因の2つのタイプによって共同で決定されるためである。
内在的要因と外在的要因の区別は、ユーザの振る舞いをよりよく学習するのに役立つ。
しかし、既存の研究では、ユーザの外在的要因が同時に様々なコンテキストの相互作用に影響される可能性があるという事実を無視して、事前に定義されたコンテキスト(例えば、時間や場所)と区別することしか検討されていない。
本稿では,様々な文脈を考慮した内在的要因と外在的要因を同時に区別し,要因のより正確な識別を可能にし,レコメンデーション精度の向上を図った,内在的・外在的遠近的勧告(IEDR)モデルを提案する。
IEDRには、固有の要因を捉えるための文脈不変のコントラスト学習コンポーネントと、様々なコンテキストの相互作用の下で外部要因を抽出するアンタングル化コンポーネントが含まれている。
2つのコンポーネントは、効果的なファクタ学習を達成するために協力します。
実世界のデータセットに対する大規模な実験は、IEDRが非絡み合った要因を学習する上で有効であることを示し、NDCGでは最大4%のリコメンデーション精度を向上している。
関連論文リスト
- Traceability and Reuse Mechanisms, the most important Properties of
Model Transformation Languages [1.4685355149711299]
本研究の目的は,調査結果を定量的に評価し,異なる要因による影響を確認し,否定することである。
その結果,トラシングと再利用のメカニズムは全体として最も重要であることが明らかとなった。
論文 参考訳（メタデータ） (2023-05-11T12:35:03Z) - Causal Disentangled Variational Auto-Encoder for Preference
Understanding in Recommendation [50.93536377097659]
本稿では,コメンテータシステムにおける対話データから因果不整合表現を学習するためのCaD-VAE(Causal Disentangled Variational Auto-Encoder)を提案する。
この手法は構造因果モデルを用いて、潜在因子間の因果関係を記述する因果表現を生成する。
論文 参考訳（メタデータ） (2023-04-17T00:10:56Z) - Pacos: Modeling Users' Interpretable and Context-Dependent Choices in
Preference Reversals [8.041047797530808]
我々は,ユーザの適応重み,イテム間比較,表示位置の3つの要因を同定した。
3つの要因を同時に扱うための統合フレームワークとして,Pacosというコンテキスト依存の嗜好モデルを提案する。
実験の結果,提案手法は,ユーザの選択を予測するための先行作業よりも優れた性能を示した。
論文 参考訳（メタデータ） (2023-03-10T01:49:56Z) - Coarse-to-Fine Knowledge-Enhanced Multi-Interest Learning Framework for
Multi-Behavior Recommendation [52.89816309759537]
マルチタイプの行動(例えば、クリック、カートの追加、購入など)は、ほとんどの現実世界のレコメンデーションシナリオに広く存在する。
最先端のマルチ振る舞いモデルは、すべての歴史的相互作用を入力として区別しない振る舞い依存を学習する。
本稿では,多様な行動に対する共有的・行動特異的な関心を学習するための,多目的学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-08-03T05:28:14Z) - Deep Causal Reasoning for Recommendations [47.83224399498504]
推薦システム研究の新たなトレンドは、共同創設者の影響を因果的観点から否定することである。
提案手法は多因性マルチアウトカム(MCMO)推論問題としてモデル化する。
MCMOモデリングは,高次元因果空間に付随する観測が不十分なため,高いばらつきをもたらす可能性があることを示す。
論文 参考訳（メタデータ） (2022-01-06T15:00:01Z) - Confounder Identification-free Causal Visual Feature Learning [84.28462256571822]
本稿では,創始者を特定する必要性を排除した,創始者同定自由因果視覚特徴学習(CICF)手法を提案する。
CICFは、フロントドア基準に基づいて異なるサンプル間の介入をモデル化し、インスタンスレベルの介入に対するグローバルスコープ干渉効果を近似する。
我々は,CICFと一般的なメタラーニング戦略MAMLの関係を明らかにするとともに,MAMLが理論的観点から機能する理由を解釈する。
論文 参考訳（メタデータ） (2021-11-26T10:57:47Z) - Generalizing Fairness: Discovery and Mitigation of Unknown Sensitive
Attributes [5.665283675533071]
本稿では,特定のデータセットから個々のセマンティックセンシティブな要因を分離し,その特徴付けを行う手法について検討する。
また、通常、社会的に関係のある要素にのみ対応し、AIの脱感作に対処するフェアネスの是正も行います。
道路標識 (GTSRB) と顔画像 (CelebA) のデータセットを用いた実験では, この方式を用いることの約束を示す。
論文 参考訳（メタデータ） (2021-07-28T20:18:08Z) - Impact of Spatial Frequency Based Constraints on Adversarial Robustness [0.49478969093606673]
敵対的な例は、人間が敏感でない入力ピクセルの変更を主に利用し、モデルは解釈不能な特徴に基づいて決定するという事実から生じる。
本稿では,異なる空間周波数範囲に対応する情報を活用するために,訓練中に実施されるモデルの対向的摂動に対する頑健性について検討する。
論文 参考訳（メタデータ） (2021-04-26T16:12:04Z) - Learning Interpretable Feature Context Effects in Discrete Choice [40.91593765662774]
本研究では、観測された選択データから、コンテキスト効果の幅広いクラスを自動的に発見する手法を提案する。
我々のモデルは既存のモデルよりも訓練が容易で柔軟であり、直感的で解釈可能で統計的にテスト可能なコンテキスト効果をもたらす。
我々は、広く使われている選択データセットにおける新しい文脈効果を特定し、ソーシャルネットワークの成長における選択セットの文脈効果を初めて分析する。
論文 参考訳（メタデータ） (2020-09-07T20:59:24Z) - Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。
当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
論文 参考訳（メタデータ） (2020-05-21T12:28:59Z)
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。