論文の概要: Maximum Impact with Fewer Features: Efficient Feature Selection for Cold-Start Recommenders through Collaborative Importance Weighting

• arxiv url: http://arxiv.org/abs/2508.06455v1
• Date: Fri, 08 Aug 2025 16:58:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:06.314788
• Title: Maximum Impact with Fewer Features: Efficient Feature Selection for Cold-Start Recommenders through Collaborative Importance Weighting
• Title（参考訳）: 低い特徴量に対する最大影響:協調的重要度重み付けによるコールドスタートレコメンダの効率的な特徴選択
• Authors: Nikita Sukhorukov, Danil Gusak, Evgeny Frolov,
• Abstract要約: ユーザの行動情報を優先する特徴選択戦略を提案する。 本手法は協調行動データから相関関係を組み込むことにより特徴表現を向上させる。 このアプローチは最も影響力のある特徴を特定し、推奨精度と計算効率のバランスを崩す。
• 参考スコア（独自算出の注目度）: 0.6827423171182154
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cold-start challenges in recommender systems necessitate leveraging auxiliary features beyond user-item interactions. However, the presence of irrelevant or noisy features can degrade predictive performance, whereas an excessive number of features increases computational demands, leading to higher memory consumption and prolonged training times. To address this, we propose a feature selection strategy that prioritizes the user behavioral information. Our method enhances the feature representation by incorporating correlations from collaborative behavior data using a hybrid matrix factorization technique and then ranks features using a mechanism based on the maximum volume algorithm. This approach identifies the most influential features, striking a balance between recommendation accuracy and computational efficiency. We conduct an extensive evaluation across various datasets and hybrid recommendation models, demonstrating that our method excels in cold-start scenarios by selecting minimal yet highly effective feature subsets. Even under strict feature reduction, our approach surpasses existing feature selection techniques while maintaining superior efficiency.
• Abstract（参考訳）: 推奨システムにおけるコールドスタートの課題は、ユーザとイテムのインタラクションを超えて補助的な機能を活用する必要がある。 しかし、無関係な機能やノイズのある機能の存在は予測性能を低下させるが、過剰な数の機能によって計算要求が増加し、メモリ消費が増加し、トレーニング時間が長くなる。 そこで本稿では,ユーザの行動情報を優先する特徴選択戦略を提案する。 本手法は,ハイブリッド行列因数分解法を用いて協調行動データから相関関係を組み込んで特徴表現を強化し,最大体積アルゴリズムに基づく機構を用いて特徴量をランク付けする。 このアプローチは最も影響力のある特徴を特定し、推奨精度と計算効率のバランスを崩す。 我々は,様々なデータセットおよびハイブリッドレコメンデーションモデルに対して広範な評価を行い,本手法が極小かつ高効率な特徴サブセットを選択することにより,コールドスタートシナリオにおいて優れていることを示す。 厳格な機能削減の下でも,提案手法は優れた効率を維持しつつ,既存の特徴選択手法を超越している。

関連論文リスト

• TayFCS: Towards Light Feature Combination Selection for Deep Recommender Systems [44.80081613834248]
  Taylor Expansion Scorer (TayScorer) は、ベースモデル上のフィールドワイドテイラー展開のためのモジュールである。 ロジスティック回帰除去(LRE)は、モデル予測性能に基づいて対応する情報ゲインを推定する。
  論文  参考訳（メタデータ） (2025-07-05T04:22:42Z)
• Inference Computation Scaling for Feature Augmentation in Recommendation Systems [15.951799347708315]
  NDCG@10では,スケーリング推論が12%増加し,レコメンデーション性能が大幅に向上した。 利得は、特徴量と特異性という2つの重要な要因に帰せられる。 これは、レコメンデーションシステムにおける機能拡張に推論スケーリングを適用する最初の試みである。
  論文  参考訳（メタデータ） (2025-02-22T02:21:06Z)
• Denoising Pre-Training and Customized Prompt Learning for Efficient Multi-Behavior Sequential Recommendation [69.60321475454843]
  マルチビヘイビアシークエンシャルレコメンデーションに適した,最初の事前学習および迅速な学習パラダイムであるDPCPLを提案する。 事前学習段階において,複数の時間スケールでノイズを除去する新しい行動マイナ (EBM) を提案する。 次に,提案するCustomized Prompt Learning (CPL)モジュールを用いて,事前学習したモデルを高効率にチューニングすることを提案する。
  論文  参考訳（メタデータ） (2024-08-21T06:48:38Z)
• Causal Feature Selection via Transfer Entropy [59.999594949050596]
  因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。 本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。 精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
  論文  参考訳（メタデータ） (2023-10-17T08:04:45Z)
• FAStEN: An Efficient Adaptive Method for Feature Selection and Estimation in High-Dimensional Functional Regressions [7.674715791336311]
  本稿では,スパース関数オン・ファンクション回帰問題において特徴選択を行うための,新しい,柔軟な,超効率的なアプローチを提案する。 我々はそれをスカラー・オン・ファンクション・フレームワークに拡張する方法を示す。 AOMIC PIOP1による脳MRIデータへの応用について述べる。
  論文  参考訳（メタデータ） (2023-03-26T19:41:17Z)
• Meta-Wrapper: Differentiable Wrapping Operator for User Interest Selection in CTR Prediction [97.99938802797377]
  クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。 近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。 そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:28:15Z)
• Compactness Score: A Fast Filter Method for Unsupervised Feature Selection [66.84571085643928]
  本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。 提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
  論文  参考訳（メタデータ） (2022-01-31T13:01:37Z)
• APS: Active Pretraining with Successor Features [96.24533716878055]
  非エントロピーと後継指標であるHansenFastを再解釈して組み合わせることで、難解な相互情報を効率的に最適化できることを示す。 提案手法は,非エントロピーを用いて環境を探索し,探索したデータを効率的に活用して動作を学習する。
  論文  参考訳（メタデータ） (2021-08-31T16:30:35Z)

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。