論文の概要: FEASE: Shallow AutoEncoding Recommender with Cold Start Handling via Side Features

• arxiv url: http://arxiv.org/abs/2504.02288v2
• Date: Fri, 04 Apr 2025 15:01:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-07 11:27:05.166077
• Title: FEASE: Shallow AutoEncoding Recommender with Cold Start Handling via Side Features
• Title（参考訳）: FEASE: サイド機能によるコールドスタートハンドリングを備えた浅度のオートエンコーディングレコメンデーション
• Authors: Edward DongBo Cui, Lu Zhang, William Ping-hsun Lee,
• Abstract要約: ユーザとアイテムのコールドは、レコメンデーションシステムの産業的応用において重要な課題となる。 ユーザ側とアイテム側の両方をシームレスに統合する拡張EASEモデル(FEASE)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。
• 参考スコア（独自算出の注目度）: 2.8680286413498903
• License:
• Abstract: User and item cold starts present significant challenges in industrial applications of recommendation systems. Supplementing user-item interaction data with metadata is a common solution-but often at the cost of introducing additional biases. In this work, we introduce an augmented EASE model, i.e. FEASE, that seamlessly integrates both user and item side information to address these cold start issues. Our straightforward, autoencoder-based method produces a closed-form solution that leverages rich content signals for cold items while refining user representations in data-sparse environments. Importantly, our method strikes a balance by effectively recommending cold start items and handling cold start users without incurring extra bias, and it maintains strong performance in warm settings. Experimental results demonstrate improved recommendation accuracy and robustness compared to previous collaborative filtering approaches. Moreover, our model serves as a strong baseline for future comparative studies.
• Abstract（参考訳）: ユーザとアイテムのコールドは、レコメンデーションシステムの産業的応用において重要な課題となる。 ユーザとイテムのインタラクションデータをメタデータに補完することは、一般的な解決策ですが、しばしば、追加のバイアスを導入するコストがかかります。 本研究では,これらの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(FEASE)を導入する。 簡単なオートエンコーダをベースとした手法は,データスパース環境下でユーザ表現を精細化しながら,寒冷品のリッチなコンテンツ信号を利用するクローズドフォームソリューションを生成する。 そこで本手法では,寒冷開始項目を効果的に推奨し,寒冷開始ユーザの扱いを余分なバイアスを伴わずにバランスを保ち,温暖な環境下での強い性能を維持している。 実験により, 従来の協調フィルタリング手法と比較して, 推薦精度と堅牢性が改善された。 さらに,本モデルは今後の比較研究の強力なベースラインとして機能する。

関連論文リスト

• 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)
• Firzen: Firing Strict Cold-Start Items with Frozen Heterogeneous and Homogeneous Graphs for Recommendation [34.414081170244955]
  厳密なコールドスタートとウォームスタートのレコメンデーションを解決するために,項目と知識グラフのマルチモーダルコンテンツ(KG)を統合した統合フレームワークを提案する。 我々のモデルでは,厳密なコールドスタート勧告と,ウォームスタートシナリオにおける最先端性能に適合する性能の向上が期待できる。
  論文  参考訳（メタデータ） (2024-10-10T06:48:27Z)
• Large Language Model Simulator for Cold-Start Recommendation [45.34030399042562]
  コールドアイテムはコンテンツ機能のみに依存し、レコメンデーションパフォーマンスを制限し、ユーザーエクスペリエンスと収益に影響を与える。 現在のモデルは、コンテンツ機能から合成行動埋め込みを生成するが、主要な問題、すなわち過去の行動データがないことに対処できない。 寒冷品のユーザインタラクションをシミュレートするために,大規模言語モデルを活用する LLM Simulator フレームワークを導入する。
  論文  参考訳（メタデータ） (2024-02-14T13:45:06Z)
• Cold & Warm Net: Addressing Cold-Start Users in Recommender Systems [10.133475523630139]
  コールドスタートレコメンデーションは、レコメンダシステム(RS)が直面する大きな課題の1つです。 本稿では,コールドスタートユーザとウォームアップユーザをそれぞれモデル化する専門家モデルに基づいて,コールド&ウォームネットを提案する。 提案モデルはまた,産業用ショートビデオプラットフォーム上に展開され,アプリドウェル時間とユーザ保持率の大幅な向上を実現している。
  論文  参考訳（メタデータ） (2023-09-27T13:31:43Z)
• Editable User Profiles for Controllable Text Recommendation [66.00743968792275]
  制御可能なテキストレコメンデーションのための新しい概念値ボトルネックモデル LACE を提案する。 LACEは、人間の読みやすい概念の簡潔なセットで各ユーザーを表現する。 ユーザ文書に基づいて概念のパーソナライズされた表現を学習する。
  論文  参考訳（メタデータ） (2023-04-09T14:52:18Z)
• Sparsity Regularization For Cold-Start Recommendation [7.848143873095096]
  ユーザ人口統計とユーザ嗜好を組み合わせることで,ユーザベクタのための新しい表現を導入する。 我々は,スパースユーザ・購入行動を利用したコールド・スタート・レコメンデーションのための新しいスパース・逆モデルSRLGANを開発した。 SRLGANを2つの一般的なデータセットで評価し、最先端の結果を示す。
  論文  参考訳（メタデータ） (2022-01-26T02:28:08Z)
• 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)
• Privileged Graph Distillation for Cold Start Recommendation [57.918041397089254]
  レコメンデーションシステムにおけるコールドスタートの問題は、歴史的相互作用の記録のない属性に基づいて新しいユーザー(イテム)に推奨することである。 特権グラフ蒸留モデル(PGD)を提案する。 提案手法は,新規ユーザ,新規ユーザ,新規ユーザを対象とする異なるコールドスタートシナリオに適用可能である。
  論文  参考訳（メタデータ） (2021-05-31T14:05:27Z)
• Cold-start Sequential Recommendation via Meta Learner [10.491428090228768]
  本研究では,逐次推薦における項目コールドスタート問題を軽減するために,メタラーニング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,mecosを提案する。 mecosは限られたインタラクションからユーザの好みを効果的に抽出し、ターゲットのコールドスタートアイテムと潜在的なユーザとのマッチングを学ぶ。
  論文  参考訳（メタデータ） (2020-12-10T05:23:13Z)
• Modurec: Recommender Systems with Feature and Time Modulation [50.51144496609274]
  特徴量変調機構を用いて利用可能な情報を全て組み合わせたオートエンコーダに基づくModurecを提案する。 Movielensデータセットでは、これらの修正によって、最も評価された設定で最先端の結果が得られます。
  論文  参考訳（メタデータ） (2020-10-13T09:18:33Z)
• Seamlessly Unifying Attributes and Items: Conversational Recommendation for Cold-Start Users [111.28351584726092]
  コールドスタートユーザに対しては,属性を問うと同時に,ユーザに対して対話的に商品を推薦する,対話型レコメンデーションを提案する。 会話型トンプソンサンプリング(ConTS)モデルでは,最大報酬の腕を選択することで,対話型レコメンデーションにおけるすべての質問を一意に解決する。
  論文  参考訳（メタデータ） (2020-05-23T08:56:37Z)

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。