論文の概要: Rankformer: A Graph Transformer for Recommendation based on Ranking Objective

• arxiv url: http://arxiv.org/abs/2503.16927v1
• Date: Fri, 21 Mar 2025 07:53:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-24 14:55:07.795680
• Title: Rankformer: A Graph Transformer for Recommendation based on Ranking Objective
• Title（参考訳）: Rankformer: ランク付け目的に基づくリコメンデーション用グラフ変換器
• Authors: Sirui Chen, Shen Han, Jiawei Chen, Binbin Hu, Sheng Zhou, Gang Wang, Yan Feng, Chun Chen, Can Wang,
• Abstract要約: ランキングにインスパイアされたレコメンデーションモデルであるRanformerを提案する。 アーキテクチャはランク付け対象の勾配にインスパイアされ、ユニークな(グラフ)トランスフォーマーアーキテクチャを具現化している。 大規模な実験結果から、Ranformerは最先端の手法よりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 27.953113185360174
• License:
• Abstract: Recommender Systems (RS) aim to generate personalized ranked lists for each user and are evaluated using ranking metrics. Although personalized ranking is a fundamental aspect of RS, this critical property is often overlooked in the design of model architectures. To address this issue, we propose Rankformer, a ranking-inspired recommendation model. The architecture of Rankformer is inspired by the gradient of the ranking objective, embodying a unique (graph) transformer architecture -- it leverages global information from all users and items to produce more informative representations and employs specific attention weights to guide the evolution of embeddings towards improved ranking performance. We further develop an acceleration algorithm for Rankformer, reducing its complexity to a linear level with respect to the number of positive instances. Extensive experimental results demonstrate that Rankformer outperforms state-of-the-art methods. The code is available at https://github.com/StupidThree/Rankformer.
• Abstract（参考訳）: Recommender Systems (RS) は、ユーザーごとに個別のランキングを作成し、ランキングメトリクスを用いて評価することを目的としている。 パーソナライズされたランキングは、RSの基本的な側面であるが、モデルアーキテクチャの設計において、この重要な性質は見過ごされがちである。 この問題に対処するために、ランキングインスパイアされたレコメンデーションモデルであるRanformerを提案する。 Rankformerのアーキテクチャは、ランク付け目標の勾配にインスパイアされており、ユニークな(グラフ)トランスフォーマーアーキテクチャを具現化している。すべてのユーザやアイテムからのグローバル情報を活用して、より情報的な表現を生成し、特定の注意重みを使って、埋め込みの進化をランキングのパフォーマンスの向上に導く。 さらに,Ranformer の高速化アルゴリズムを開発し,その複雑性を正のインスタンス数に対して線形レベルまで低減する。 大規模な実験結果から、Ranformerは最先端の手法よりも優れていることが示された。 コードはhttps://github.com/StupidThree/Rankformer.comで入手できる。

関連論文リスト

• Full Stage Learning to Rank: A Unified Framework for Multi-Stage Systems [40.199257203898846]
  我々は,多段階システム,すなわちGPRP(Generalized Probability Ranking Principle)のための改良されたランキング原理を提案する。 GPRPは、システムパイプラインの各ステージにおける選択バイアスと、ユーザの基本的な関心の両方を強調している。 我々の中核的な考え方は、まず次の段階における選択バイアスを推定し、次に下流モジュールの選択バイアスに最もよく適合するランキングモデルを学ぶことである。
  論文  参考訳（メタデータ） (2024-05-08T06:35:04Z)
• APGL4SR: A Generic Framework with Adaptive and Personalized Global Collaborative Information in Sequential Recommendation [86.29366168836141]
  逐次推薦のための適応およびパーソナライズされたグラフ学習(APGL4SR)というグラフ駆動型フレームワークを提案する。 APGL4SRは、適応的でパーソナライズされたグローバルな協調情報をシーケンシャルレコメンデーションシステムに組み込む。 一般的なフレームワークとして、APGL4SRは大きなマージンを持つ他のベースラインよりも優れている。
  論文  参考訳（メタデータ） (2023-11-06T01:33:24Z)
• Ranking-based Adaptive Query Generation for DETRs in Crowded Pedestrian Detection [49.27380156754935]
  DETRのクエリの数は手動で調整しなければなりませんが、そうでなければ、パフォーマンスは様々な程度に低下します。 本稿では,ランクに基づく適応クエリ生成(RAQG)を提案し,問題を緩和する。 提案手法は単純かつ効果的であり,任意のDETRにプラグインすることで,理論上クエリ適応性を実現する。
  論文  参考訳（メタデータ） (2023-10-24T11:00:56Z)
• Rank-DETR for High Quality Object Detection [52.82810762221516]
  高性能なオブジェクト検出器は、バウンディングボックス予測の正確なランキングを必要とする。 本研究では, 簡易かつ高性能なDETR型物体検出器について, 一連のランク指向設計を提案して紹介する。
  論文  参考訳（メタデータ） (2023-10-13T04:48:32Z)
• RankFormer: Listwise Learning-to-Rank Using Listwide Labels [2.9005223064604078]
  本稿では,新しいリストワイド評価目標と従来型のリストワイド評価目標を共同で最適化できるアーキテクチャとしてRangeFormerを提案する。 Amazon Searchのデータでeコマースの実験を行い、RangeFormerがオフラインのすべてのベースラインより優れていることを見つけました。
  論文  参考訳（メタデータ） (2023-06-09T10:47:06Z)
• Rank-LIME: Local Model-Agnostic Feature Attribution for Learning to Rank [16.780058676633914]
  Rank-LIMEは、モデルに依存しない局所的、ポストホック的特徴属性法である。 我々は,新しい相関に基づく摂動,微分可能なランキング損失関数を導入し,ランキングに基づく付加的特徴帰属モデルを評価するための新しい指標を導入する。
  論文  参考訳（メタデータ） (2022-12-24T12:14:32Z)
• PEAR: Personalized Re-ranking with Contextualized Transformer for Recommendation [48.17295872384401]
  文脈変換器に基づくパーソナライズされた再ランクモデル(Dubbed PEAR)を提案する。 PEARは、既存のメソッドに対していくつかの大きな改善を行っている。 また、ランキングリスト全体のユーザの満足度を評価するために、リストレベルの分類タスクでPEARのトレーニングを強化する。
  論文  参考訳（メタデータ） (2022-03-23T08:29:46Z)
• GNNRank: Learning Global Rankings from Pairwise Comparisons via Directed Graph Neural Networks [68.61934077627085]
  本稿では,グラフ埋め込みを学習可能なGNNと互換性のあるモデリングフレームワークであるGNNRankを紹介する。 既存の手法と比較して,我々の手法が競争力があり,しばしば優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2022-02-01T04:19:50Z)
• Data Driven and Visualization based Strategization for University Rank Improvement using Decision Trees [1.933681537640272]
  本稿では,Decision Tree (DT) に基づくアルゴリズムを用いてランキングデータを分類し,データ可視化技術を用いてランク改善のための決定経路を抽出する手法を提案する。 提案手法は,HEIが改善の範囲を定量的に評価し,詳細な長期行動計画と適切な道路マップを作成するのに役立つ。
  論文  参考訳（メタデータ） (2021-10-18T06:41:45Z)
• PiRank: Learning To Rank via Differentiable Sorting [85.28916333414145]
  ランク付けのための新しい分類可能なサロゲートであるPiRankを提案する。 ピランクは所望の指標をゼロ温度の限界で正確に回収する。
  論文  参考訳（メタデータ） (2020-12-12T05:07:36Z)

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。