論文の概要: Weighted Tensor Decompositions for Context-aware Collaborative Filtering

• arxiv url: http://arxiv.org/abs/2503.08393v1
• Date: Tue, 11 Mar 2025 12:57:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 15:41:28.593522
• Title: Weighted Tensor Decompositions for Context-aware Collaborative Filtering
• Title（参考訳）: コンテキスト対応協調フィルタリングのための重み付きテンソル分解
• Authors: Joey De Pauw, Bart Goethals,
• Abstract要約: 重み付き二乗損失を用いた最も成功した分解法について検討し、そのテンソル構造と正規化戦略に基づいてそれらを分類する。 本稿では,その複雑性,スケーラビリティ,モデリング能力など,さまざまな分解手法の特性について概説する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Over recent years it has become well accepted that user interest is not static or immutable. There are a variety of contextual factors, such as time of day, the weather or the user's mood, that influence the current interests of the user. Modelling approaches need to take these factors into account if they want to succeed at finding the most relevant content to recommend given the situation. A popular method for context-aware recommendation is to encode context attributes as extra dimensions of the classic user-item interaction matrix, effectively turning it into a tensor, followed by applying the appropriate tensor decomposition methods to learn missing values. However, unlike with matrix factorization, where all decompositions are essentially a product of matrices, there exist many more options for decomposing tensors by combining vector, matrix and tensor products. We study the most successful decomposition methods that use weighted square loss and categorize them based on their tensor structure and regularization strategy. Additionally, we further extend the pool of methods by filling in the missing combinations. In this paper we provide an overview of the properties of the different decomposition methods, such as their complexity, scalability, and modelling capacity. These benefits are then contrasted with the performances achieved in offline experiments to gain more insight into which method to choose depending on a specific situation and constraints.
• Abstract（参考訳）: 近年、ユーザの関心が静的でも不変でもないことが広く受け入れられている。 日時や天気,ユーザの気分など,ユーザの現在の関心に影響を及ぼす要因は様々である。 モデリングアプローチは、状況に応じて最も関連性の高いコンテンツを見つけるのに成功するためには、これらの要因を考慮する必要がある。 コンテキストアウェア・レコメンデーションの一般的な方法は、コンテキスト属性を古典的なユーザ・イテム相互作用行列の余剰次元としてエンコードし、効果的にテンソルに変換し、次いで、適切なテンソル分解法を適用して欠落した値を求めることである。 しかし、すべての分解が行列の積である行列分解とは異なり、ベクトル、行列およびテンソル積を組み合わせることでテンソルを分解する多くの選択肢が存在する。 重み付き二乗損失を用いた最も成功した分解法について検討し、そのテンソル構造と正規化戦略に基づいてそれらを分類する。 さらに、欠落した組み合わせを埋めることで、メソッドのプールをさらに拡張します。 本稿では, 複雑性, スケーラビリティ, モデリング能力など, 様々な分解手法の特性について概説する。 これらの利点は、オフライン実験で達成されたパフォーマンスと対比され、特定の状況や制約に応じてどのメソッドを選択するかに関する洞察を得ることができます。

関連論文リスト

• A Geometric Approach to Personalized Recommendation with Set-Theoretic Constraints Using Box Embeddings [43.609405236093025]
  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。
  論文  参考訳（メタデータ） (2025-02-15T18:18:00Z)
• Learning Symmetries via Weight-Sharing with Doubly Stochastic Tensors [46.59269589647962]
  グループ平等は、ディープラーニングにおいて価値ある帰納的バイアスとして現れてきた。 群同変法は、利害の群を事前に知る必要がある。 データセットが強い対称性を示すと、置換行列は正規群表現に収束することを示す。
  論文  参考訳（メタデータ） (2024-12-05T20:15:34Z)
• CorDA: Context-Oriented Decomposition Adaptation of Large Language Models for Task-Aware Parameter-Efficient Fine-tuning [101.81127587760831]
  現在の微調整手法は、学習すべき下流タスクのコンテキストや、維持すべき重要な知識のコンテキストに広く適用できるアダプタを構築している。 学習可能なタスク対応アダプタを構築するコンテキスト指向の分解適応手法であるCorDAを提案する。 本手法は,知識保存型適応と指導レビュー型適応の2つの選択肢を実現する。
  論文  参考訳（メタデータ） (2024-06-07T19:10:35Z)
• 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)
• Kronecker Decomposition for Knowledge Graph Embeddings [5.49810117202384]
  知識グラフ埋め込みモデルにおけるパラメータ数を削減するために,Kronecker分解に基づく手法を提案する。 この分解により、3つの埋め込みベクトル間の要素的相互作用が各埋め込みベクトル内の相互作用によって拡張されることが保証される。 実験により,Kronecker分解を埋め込み行列に適用すると,全てのベンチマークデータセットのパラメータ効率が向上することが示唆された。
  論文  参考訳（メタデータ） (2022-05-13T11:11:03Z)
• Matrix Completion via Non-Convex Relaxation and Adaptive Correlation Learning [90.8576971748142]
  閉形式解によって最適化できる新しいサロゲートを開発する。 そこで我々は, 上向きの相関関係を利用して, 適応的相関学習モデルを構築した。
  論文  参考訳（メタデータ） (2022-03-04T08:50:50Z)
• Sequential Recommendation via Stochastic Self-Attention [68.52192964559829]
  Transformerベースのアプローチでは、アイテムをベクトルとして埋め込んで、ドット積の自己アテンションを使用してアイテム間の関係を測定する。 本稿では,これらの問題を克服するための新しいtextbfStochastic textbfSelf-textbfAttention (STOSA) を提案する。 我々は、アイテムと項目の位置関係を列で特徴づける新しいワッサースタイン自己保持モジュールを考案した。
  論文  参考訳（メタデータ） (2022-01-16T12:38:45Z)
• Solving weakly supervised regression problem using low-rank manifold regularization [77.34726150561087]
  我々は弱い教師付き回帰問題を解く。 weakly"の下では、いくつかのトレーニングポイントではラベルが知られ、未知のものもあれば、無作為なノイズの存在やリソースの欠如などの理由によって不確かであることが分かっています。 数値的な節ではモンテカルロモデルを用いて提案手法を人工と実のデータセットに適用した。
  論文  参考訳（メタデータ） (2021-04-13T23:21:01Z)
• Adversarially-Trained Nonnegative Matrix Factorization [77.34726150561087]
  非負行列ファクタリゼーションの逆学習版を検討する。 我々の定式化では、攻撃者は与えられたデータ行列に有界ノルムの任意の行列を追加する。 辞書と係数行列を最適化するために, 逆学習に触発された効率的なアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2021-04-10T13:13:17Z)
• Adaptive Correlated Monte Carlo for Contextual Categorical Sequence Generation [77.7420231319632]
  我々は,モンテカルロ (MC) ロールアウトの集合を分散制御のために評価する政策勾配推定器に,カテゴリー列の文脈的生成を適用する。 また,二分木ソフトマックスモデルに相関したMCロールアウトを用いることで,大語彙シナリオにおける高生成コストを低減できることを示す。
  論文  参考訳（メタデータ） (2019-12-31T03:01:55Z)

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。