論文の概要: Collaborative Group-Aware Hashing for Fast Recommender Systems

• arxiv url: http://arxiv.org/abs/2512.20172v1
• Date: Tue, 23 Dec 2025 09:07:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.808303
• Title: Collaborative Group-Aware Hashing for Fast Recommender Systems
• Title（参考訳）: 高速リコメンダシステムのための協調型グループアウェアハッシュ
• Authors: Yan Zhang, Li Deng, Lixin Duan, Ivor W. Tsang, Guowu Yang,
• Abstract要約: ハッシュ技術はハミング距離計算におけるビット演算によるオンラインレコメンデーションの高速化に優れていた。 既存のハッシュベースのレコメンデーションは、特にスパース設定の低い精度に悩まされている。 本稿では,協調フィルタリングとコンテンツ認識レコメンデーションのための協調グループ意識ハッシュ(CGAH)手法をロッジする。
• 参考スコア（独自算出の注目度）: 66.92426381995695
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The fast online recommendation is critical for applications with large-scale databases; meanwhile, it is challenging to provide accurate recommendations in sparse scenarios. Hash technique has shown its superiority for speeding up the online recommendation by bit operations on Hamming distance computations. However, existing hashing-based recommendations suffer from low accuracy, especially with sparse settings, due to the limited representation capability of each bit and neglected inherent relations among users and items. To this end, this paper lodges a Collaborative Group-Aware Hashing (CGAH) method for both collaborative filtering (namely CGAH-CF) and content-aware recommendations (namely CGAH) by integrating the inherent group information to alleviate the sparse issue. Firstly, we extract inherent group affinities of users and items by classifying their latent vectors into different groups. Then, the preference is formulated as the inner product of the group affinity and the similarity of hash codes. By learning hash codes with the inherent group information, CGAH obtains more effective hash codes than other discrete methods with sparse interactive data. Extensive experiments on three public datasets show the superior performance of our proposed CGAH and CGAH-CF over the state-of-the-art discrete collaborative filtering methods and discrete content-aware recommendations under different sparse settings.
• Abstract（参考訳）: 大規模なデータベースを持つアプリケーションには高速なオンラインレコメンデーションが不可欠だが、スパースシナリオで正確なレコメンデーションを提供することは難しい。 ハッシュ技術はハミング距離計算におけるビット演算によるオンラインレコメンデーションの高速化に優れていた。 しかし、既存のハッシュベースのレコメンデーションは、各ビットの表現能力に制限があり、ユーザとアイテム間の固有の関係を無視しているため、特にスパース設定の低い精度に悩まされている。 そこで本論文では,協調フィルタリング(CGAH-CF)とコンテンツ認識レコメンデーション(CGAH)の両方に対して,グループ情報を統合することで,疎外問題を緩和するCGAH(Collaborative Group-Aware Hashing)手法を提案する。 まず、潜在ベクトルを異なるグループに分類することで、ユーザとアイテムの固有のグループ親和性を抽出する。 そして、グループ親和性の内積およびハッシュ符号の類似性として、嗜好を定式化する。 CGAHは、固有のグループ情報でハッシュコードを学習することにより、疎インタラクティブなデータを持つ他の離散メソッドよりも効果的なハッシュコードを得る。 提案したCGAHとCGAH-CFは,現在最先端の個別協調フィルタリング法と,異なるスパース設定下での個別コンテンツ認識レコメンデーションよりも優れた性能を示した。

関連論文リスト

• 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)
• Learning to Hash for Recommendation: A Survey [49.943390288789494]
  このサーベイは、最先端のHashRecアルゴリズムの概要を提供する。 既存の研究を,(i)学習目標,(ii)最適化戦略,(iii)推薦シナリオに基づく3段階の分類に分類する。
  論文  参考訳（メタデータ） (2024-12-05T05:07:19Z)
• End-to-end Learnable Clustering for Intent Learning in Recommendation [54.157784572994316]
  我々は、アンダーラインELCRecと呼ばれる新しい意図学習手法を提案する。 振る舞い表現学習をUnderlineEnd-to-end UnderlineLearnable UnderlineClusteringフレームワークに統合する。 1億3000万ページビューの産業レコメンデーションシステムに本手法をデプロイし,有望な結果を得る。
  論文  参考訳（メタデータ） (2024-01-11T15:22:55Z)
• HCFRec: Hash Collaborative Filtering via Normalized Flow with Structural Consensus for Efficient Recommendation [23.73674947905047]
  ハッシュベースのコラボレーティブフィルタリング(Hash-CF)アプローチでは、学習したユーザとアイテムのバイナリ表現の効率的なハミング距離を使用してレコメンデーションを加速する。 我々は,Hash-CFアプローチを効果的かつ効率的なレコメンデーションのために提案するHCFRecを提案する。
  論文  参考訳（メタデータ） (2022-05-24T12:51:52Z)
• Deep Hashing with Hash-Consistent Large Margin Proxy Embeddings [65.36757931982469]
  画像ハッシュコードは、分類または検索のために訓練された畳み込みニューラルネットワーク(CNN)の埋め込みをバイナライズすることによって生成される。 この曖昧さを解消するために、固定されたプロキシ(CNN分類層の重み)の使用が提案されている。 得られたHCLMプロキシはハッシュ単位の飽和を促進することが示され、小さな二項化誤差が保証される。
  論文  参考訳（メタデータ） (2020-07-27T23:47:43Z)
• Multi-Feature Discrete Collaborative Filtering for Fast Cold-start Recommendation [31.69262747122024]
  我々はMFDCF(Multi-Feature Discrete Collaborative Filtering)と呼ばれる高速コールドスタートレコメンデーション手法を提案する。 具体的には、低ランクな自己重み付き多機能融合モジュールは、複数のコンテンツ機能をバイナリハッシュコードに適応的に投影するように設計されている。 MFDCFは様々な面において最先端よりも優れています。
  論文  参考訳（メタデータ） (2020-03-24T08:55:15Z)

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。