論文の概要: Variational Bayesian Personalized Ranking

• arxiv url: http://arxiv.org/abs/2503.11067v1
• Date: Fri, 14 Mar 2025 04:22:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-17 13:05:19.409872
• Title: Variational Bayesian Personalized Ranking
• Title（参考訳）: 変分ベイズ個人格付け
• Authors: Bin Liu, Xiaohong Liu, Qin Luo, Ziqiao Shang, Jielei Chu, Lin Ma, Zhaoyu Li, Fei Teng, Guangtao Zhai, Tianrui Li,
• Abstract要約: 変分的BPRは、確率最適化、ノイズ低減、人気低下を統合する、新しく実装が容易な学習目標である。 本稿では,問題サンプルからの雑音を効果的に低減するために,注目に基づく競合学習手法を提案する。 実験により、人気のあるバックボーンレコメンデーションモデルにおける変分BPRの有効性を実証する。
• 参考スコア（独自算出の注目度）: 39.24591060825056
• License:
• Abstract: Recommendation systems have found extensive applications across diverse domains. However, the training data available typically comprises implicit feedback, manifested as user clicks and purchase behaviors, rather than explicit declarations of user preferences. This type of training data presents three main challenges for accurate ranking prediction: First, the unobservable nature of user preferences makes likelihood function modeling inherently difficult. Second, the resulting false positives (FP) and false negatives (FN) introduce noise into the learning process, disrupting parameter learning. Third, data bias arises as observed interactions tend to concentrate on a few popular items, exacerbating the feedback loop of popularity bias. To address these issues, we propose Variational BPR, a novel and easily implementable learning objective that integrates key components for enhancing collaborative filtering: likelihood optimization, noise reduction, and popularity debiasing. Our approach involves decomposing the pairwise loss under the ELBO-KL framework and deriving its variational lower bound to establish a manageable learning objective for approximate inference. Within this bound, we introduce an attention-based latent interest prototype contrastive mechanism, replacing instance-level contrastive learning, to effectively reduce noise from problematic samples. The process of deriving interest prototypes implicitly incorporates a flexible hard sample mining strategy, capable of simultaneously identifying hard positive and hard negative samples. Furthermore, we demonstrate that this hard sample mining strategy promotes feature distribution uniformity, thereby alleviating popularity bias. Empirically, we demonstrate the effectiveness of Variational BPR on popular backbone recommendation models. The code and data are available at: https://github.com/liubin06/VariationalBPR
• Abstract（参考訳）: レコメンデーションシステムは様々な分野にまたがって広範囲の応用を見出した。 しかし、トレーニングデータは通常、ユーザーの好みを明確に宣言するのではなく、ユーザーのクリックや購入行動として表される暗黙のフィードバックを含む。 この種のトレーニングデータには,正確なランキング予測を行う上で,3つの大きな課題がある。 第二に、結果として生じる偽陽性(FP)と偽陰性(FN)は学習過程にノイズを導入し、パラメータ学習を妨害する。 第3に、観測された相互作用がいくつかの人気項目に集中する傾向にあるため、データバイアスが発生し、人気バイアスのフィードバックループが悪化する。 これらの課題に対処するために,我々は,確率最適化,雑音低減,人気デバイアスといった,協調フィルタリングの強化のための重要なコンポーネントを統合する,新しく実装が容易な学習目標である変分BPRを提案する。 提案手法では,ELBO-KLフレームワーク下での対損失を分解し,その変動的下界を導出し,近似推論のための管理可能な学習目標を確立する。 この境界内では、問題のあるサンプルからノイズを効果的に低減するために、インスタンスレベルのコントラスト学習を置き換える、注目に基づく潜在興味の試行的なメカニズムを導入する。 利害関係の原型を導出するプロセスは、フレキシブルな硬質試料採掘戦略を暗黙的に組み込んでおり、硬質正と硬質負の試料を同時に識別することができる。 さらに, このハードサンプルマイニング戦略は特徴分布の均一性を促進し, 人気バイアスを軽減することを実証した。 実験により、人気のあるバックボーンレコメンデーションモデルにおける変分BPRの有効性を実証する。 コードとデータは、https://github.com/liubin06/VariationalBPR.comで入手できる。

関連論文リスト

• ALBAR: Adversarial Learning approach to mitigate Biases in Action Recognition [52.537021302246664]
  行動認識モデルは、しばしば背景バイアス(背景の手がかりに基づく行動の推測)と前景バイアス(主題の外観に依存する)に悩まされる。 本稿では,前景や背景のバイアスを,バイアス特性の専門知識を必要とせずに軽減する,新たな対人訓練手法であるALBARを提案する。 我々は,提案手法を確立された背景と前景のバイアスプロトコル上で評価し,新しい最先端のバイアスプロトコルを設定し,HMDB51では12%以上のデバイアス性能を向上した。
  論文  参考訳（メタデータ） (2025-01-31T20:47:06Z)
• Federated Learning with Sample-level Client Drift Mitigation [15.248811557566128]
  Federated Learningは、クライアント間のデータの不均一性によって、パフォーマンスが大幅に低下する。 本稿では,まず不均一性問題をサンプルレベルで緩和するFedBSSを提案する。 また,特徴分布とノイズラベルデータセット設定の効果的な結果を得た。
  論文  参考訳（メタデータ） (2025-01-20T09:44:07Z)
• Large Language Model Enhanced Hard Sample Identification for Denoising Recommendation [4.297249011611168]
  暗黙のフィードバックは、しばしばレコメンデーションシステムを構築するために使われる。 従来の研究では、分散したパターンに基づいてノイズの多いサンプルを識別することで、これを緩和しようと試みてきた。 大規模言語モデル強化型ハードサンプルデノゲーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-16T14:57:09Z)
• Multi-Margin Cosine Loss: Proposal and Application in Recommender Systems [0.0]
  協調フィルタリングに基づくディープラーニング技術は、その素直な性質から人気を取り戻している。 これらのシステムは、相互作用モジュール、損失関数、ネガティブサンプリング戦略の3つの主要コンポーネントから構成される。 提案したMulti-Margin Cosine Loss (MMCL)は、負のサンプルに対して複数のマージンと様々な重みを導入することで、これらの課題に対処する。
  論文  参考訳（メタデータ） (2024-05-07T18:58:32Z)
• TDCGL: Two-Level Debiased Contrastive Graph Learning for Recommendation [1.5836776102398225]
  実世界におけるKGの実体の長期分布とノイズ問題により、アイテム・エンティリティ依存関係は真の特性を反映しない。 我々はTDCL(Two-Level Debiased Contrastive Learning)を設計し、知識グラフに展開する。 オープンソースデータセットに関する検討実験により,提案手法は優れたアンチノイズ性能を有することが示された。
  論文  参考訳（メタデータ） (2023-10-01T03:56:38Z)
• Delving into Identify-Emphasize Paradigm for Combating Unknown Bias [52.76758938921129]
  同定精度を高めるため,有効バイアス強調スコアリング法(ECS)を提案する。 また, マイニングされたバイアスアライメントとバイアスコンプリケート試料のコントリビューションのバランスをとるために, 勾配アライメント(GA)を提案する。 様々な環境で複数のデータセットで実験を行い、提案されたソリューションが未知のバイアスの影響を軽減することを実証した。
  論文  参考訳（メタデータ） (2023-02-22T14:50:24Z)
• Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
  我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。 CPRは、露出メカニズムを知らずに不偏の推奨を達成する。 理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
  論文  参考訳（メタデータ） (2022-04-26T09:20:27Z)
• WSLRec: Weakly Supervised Learning for Neural Sequential Recommendation Models [24.455665093145818]
  我々は、WSLRecと呼ばれる新しいモデルに依存しないトレーニング手法を提案し、3段階のフレームワーク(事前学習、トップ$k$マイニング、本質的、微調整)を採用する。 WSLRec は、BR や ItemCF のようなモデルフリーメソッドから、余分な弱い監督のモデルを事前訓練することで、不完全性の問題を解決すると同時に、最上位の$k のマイニングを活用して、微調整のための弱い監督の信頼性の高いユーザ・イテム関連を検査することで、不正確な問題を解消する。
  論文  参考訳（メタデータ） (2022-02-28T08:55:12Z)
• Agree to Disagree: Diversity through Disagreement for Better Transferability [54.308327969778155]
  本稿では,D-BAT(Diversity-By-dis-Agreement Training)を提案する。 我々は、D-BATが一般化された相違の概念から自然に現れることを示す。
  論文  参考訳（メタデータ） (2022-02-09T12:03:02Z)
• Probabilistic and Variational Recommendation Denoising [56.879165033014026]
  暗黙のフィードバックから学ぶことは、推奨システムの適用において最も一般的なケースの1つである。 本稿では,暗黙のフィードバックに対する確率的・変動的推薦を提案する。 提案したDPIとDVAEを4つの最先端レコメンデーションモデルに適用し、3つのデータセットで実験を行う。
  論文  参考訳（メタデータ） (2021-05-20T08:59:44Z)

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。