論文の概要: Consensus-aware Contrastive Learning for Group Recommendation

• arxiv url: http://arxiv.org/abs/2504.13703v1
• Date: Fri, 18 Apr 2025 14:03:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-28 15:34:59.036592
• Title: Consensus-aware Contrastive Learning for Group Recommendation
• Title（参考訳）: グループレコメンデーションのためのコンセンサス対応コントラスト学習
• Authors: Soyoung Kim, Dongjun Lee, Jaekwang Kim,
• Abstract要約: グループレコメンデーションは、個人の好みを反映して、ユーザーグループにパーソナライズされたアイテム提案を提供することを目的としている。 コンセンサスを意識したContrastive Learning for Group Recommendation(CoCoRec)を導入し,コントラスト学習を通じてグループコンセンサスをモデル化する。 4つのベンチマークデータセットで実施された実験によると、CoCoRecは個々の推奨シナリオとグループ推奨シナリオの両方において、最先端のベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 12.743275229282922
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Group recommendation aims to provide personalized item suggestions to a group of users by reflecting their collective preferences. A fundamental challenge in this task is deriving a consensus that adequately represents the diverse interests of individual group members. Despite advancements made by deep learning-based models, existing approaches still struggle in two main areas: (1) Capturing consensus in small-group settings, which are more prevalent in real-world applications, and (2) Balancing individual preferences with overall group performance, particularly in hypergraph-based methods that tend to emphasize group accuracy at the expense of personalization. To address these challenges, we introduce a Consensus-aware Contrastive Learning for Group Recommendation (CoCoRec) that models group consensus through contrastive learning. CoCoRec utilizes a transformer encoder to jointly learn user and group representations, enabling richer modeling of intra-group dynamics. Additionally, the contrastive objective helps reduce overfitting from high-frequency user interactions, leading to more robust and representative group embeddings. Experiments conducted on four benchmark datasets show that CoCoRec consistently outperforms state-of-the-art baselines in both individual and group recommendation scenarios, highlighting the effectiveness of consensus-aware contrastive learning in group recommendation tasks.
• Abstract（参考訳）: グループレコメンデーションは、個人の好みを反映して、ユーザーグループにパーソナライズされたアイテム提案を提供することを目的としている。 このタスクの根本的な課題は、個々のグループメンバーの多様な利益を適切に表現するコンセンサスを導出することである。 深層学習モデルによる進歩にもかかわらず,既存のアプローチは,(1)現実のアプリケーションで広く普及している小グループ設定におけるコンセンサスの獲得,(2)グループ全体のパフォーマンス,特にパーソナライゼーションを犠牲にしてグループ精度を強調するハイパーグラフに基づく手法とのバランスの両立に苦慮している。 これらの課題に対処するため,コントラスト学習を通じてグループコンセンサスをモデル化するConsensus-aware Contrastive Learning for Group Recommendation (CoCoRec)を導入する。 CoCoRecは、トランスフォーマーエンコーダを使用して、ユーザとグループ表現を共同で学習し、グループ内ダイナミクスのよりリッチなモデリングを可能にする。 さらに、コントラストの目的は、高周波ユーザインタラクションからの過度な適合を減らし、より堅牢で代表的なグループ埋め込みをもたらす。 4つのベンチマークデータセットで実施された実験によると、CoCoRecは個々の推奨シナリオとグループレコメンデーションシナリオの両方において、最先端のベースラインを一貫して上回り、グループレコメンデーションタスクにおけるコンセンサスを考慮したコントラスト学習の有効性を強調している。

関連論文リスト

• Leveraging the Dynamics of Leadership in Group Recommendation Systems [0.11510009152620665]
  グループレコメンデーションに新しいアプローチを導入し、特に共通の関心を共有する小グループに焦点をあてる。 グループ内の関係と信頼のダイナミクスを強調するレコメンデーションアルゴリズムを提案する。 この相互作用に焦点を当てたフレームワークは、最終的に推奨された選択によってグループ全体の満足度を高めることを目指している。
  論文  参考訳（メタデータ） (2025-03-17T07:16:22Z)
• Online Clustering of Dueling Bandits [59.09590979404303]
  本稿では、優先フィードバックに基づく協調的な意思決定を可能にするために、最初の「デュエルバンディットアルゴリズムのクラスタリング」を導入する。 本稿では,(1)ユーザ報酬関数をコンテキストベクトルの線形関数としてモデル化する線形デューリング帯域のクラスタリング(COLDB)と,(2)ニューラルネットワークを用いて複雑な非線形ユーザ報酬関数をモデル化するニューラルデューリング帯域のクラスタリング(CONDB)の2つの新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-04T07:55:41Z)
• AlignGroup: Learning and Aligning Group Consensus with Member Preferences for Group Recommendation [7.8148534870343225]
  グループ活動は、人間の社会において重要な行動であり、グループに対するパーソナライズされたレコメンデーションを提供することをグループレコメンデーションタスクと呼ぶ。 本稿では,グループコンセンサスとグループメンバーの個人選好の両方に着目し,グループ決定を推測するグループ推薦手法であるAlignGroupを提案する。
  論文  参考訳（メタデータ） (2024-09-04T10:03:09Z)
• Learning by Sorting: Self-supervised Learning with Group Ordering Constraints [75.89238437237445]
  本稿では,対照学習目標である群順序制約(GroCo)の新たなバリエーションを提案する。 正の対と負の対の距離をソートし、正の対が負の対よりも多くの距離を持つかに基づいてそれぞれの損失を計算するという考え方を利用しており、したがって正しく順序付けされていない。 各種自己教師付き学習ベンチマークの定式化について検討し、バニラのコントラスト学習と比較して結果が向上するだけでなく、k-NNの性能において、線形探索や性能向上において同等の手法と競合する性能を示すことを示す。
  論文  参考訳（メタデータ） (2023-01-05T11:17:55Z)
• Towards Group Robustness in the presence of Partial Group Labels [61.33713547766866]
  入力サンプルとターゲットラベルの間に 急激な相関関係がある ニューラルネットワークの予測を誤った方向に導く 本稿では,制約セットから最悪のグループ割り当てを最適化するアルゴリズムを提案する。 グループ間で総合的な集計精度を維持しつつ,少数集団のパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2022-01-10T22:04:48Z)
• Choosing the Best of Both Worlds: Diverse and Novel Recommendations through Multi-Objective Reinforcement Learning [68.45370492516531]
  本稿では,Recommender Systems (RS) 設定のための拡張多目的強化学習(SMORL)を紹介する。 SMORLエージェントは、標準レコメンデーションモデルを拡張し、RLレイヤーを追加し、3つの主要な目的(正確性、多様性、新しいレコメンデーション)を同時に満たすように強制する。 実世界の2つのデータセットに対する実験結果から,集約的多様性の顕著な増加,精度の適度な向上,レコメンデーションの反復性の低下,および相補的目的としての多様性と新規性の強化の重要性が示された。
  論文  参考訳（メタデータ） (2021-10-28T13:22:45Z)
• Focus on the Common Good: Group Distributional Robustness Follows [47.62596240492509]
  本稿では,多様なグループ間で共有される特徴の学習を明示的に促進する,新しい,シンプルなアルゴリズムを提案する。 グループDROは、最低の正規化損失を持つグループに焦点を当て、代わりに、他のグループでもより良いパフォーマンスを実現するグループに焦点を当てるが、共有/共通機能を学ぶことにつながる可能性がある。
  論文  参考訳（メタデータ） (2021-10-06T09:47:41Z)
• Double-Scale Self-Supervised Hypergraph Learning for Group Recommendation [35.841350982832545]
  グループレコメンデーションは、データスパシティの問題に深刻な問題を抱えています。 本稿では,グループ推薦のための自己教師付きハイパーグラフ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-09T12:19:49Z)
• Group Collaborative Learning for Co-Salient Object Detection [152.67721740487937]
  協調物体をリアルタイムで検出できる新しいグループ協調学習フレームワーク(GCoNet)を提案する(16ms)。 CoCA、CoSOD3k、Cosal2015の3つの挑戦的なベンチマークに関する大規模な実験は、我々の単純なGCoNetが10の最先端モデルより優れ、新しい最先端モデルを達成することを実証している。
  論文  参考訳（メタデータ） (2021-03-15T13:16:03Z)
• Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
  グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。 本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
  論文  参考訳（メタデータ） (2020-10-02T07:11:19Z)
• GroupIM: A Mutual Information Maximization Framework for Neural Group Recommendation [24.677145454396822]
  本研究では,歴史的活動が限定的あるいは全くないユーザで構成された短命グループを対象とした項目推薦の課題について検討する。 現存する研究は、活動の歴史がかなりある永続的なグループをターゲットにしているが、短命なグループは歴史的な相互作用を欠いている。 本研究では、同一グループに属するユーザ間の嗜好共分散と、各グループに対する個人の嗜好の文脈的関連性の両方を活用するために、データ駆動型正規化戦略を提案する。
  論文  参考訳（メタデータ） (2020-06-05T23:18:19Z)

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。