論文の概要: Rank-Constrained Deep Matrix Completion for Group Recommendation
- arxiv url: http://arxiv.org/abs/2606.01948v1
- Date: Mon, 01 Jun 2026 09:09:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:31.684764
- Title: Rank-Constrained Deep Matrix Completion for Group Recommendation
- Title（参考訳）: グループレコメンデーションのためのランク制約付きディープマトリックスコンプリート
- Authors: Mubaraka Sani Ibrahim, Lehel Csató, Isah Charles Saidu,
- Abstract要約: Group Rank-Constrained Deep Matrix Completion (Group RC-DMC)は、Set-Transformerアグリゲータを介してグループレベルの表現学習を統合することでRC-DMCを拡張する新しいフレームワークである。
既存のグループレコメンデータシステムとは異なり、グループRC-DMCは明示的な低ランク正規化、線形エンコーダデコーダアーキテクチャ、注意に基づく非線形グループモデリングを統一する。
MovieLens と Goodbooks のデータセットによる実験結果から,グループ RC-DMC は低いグループ RMSE で測定され,より優れた再構成精度が得られることが示された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The growing popularity of group activities has increased the need for methods that provide recommendations to groups of users given their individual preferences. Many existing group recommender systems rely on aggregating individual user preferences, but they often struggle with high-dimensional and highly sparse rating data commonly found in real-world scenarios. We propose Group Rank-Constrained Deep Matrix Completion (Group RC-DMC), a novel framework that extends RC-DMC by integrating group-level representation learning via a Set-Transformer aggregator, jointly leveraging low-rank structure and attention-based nonlinear modeling. Unlike most existing group recommender systems, Group RC-DMC unifies explicit low-rank regularization, linear encoder-decoder architectures, and attention-based nonlinear group modeling within a single framework, yielding accurate predictions at both the individual and group levels. Group RC-DMC addresses data sparsity through low-rank matrix completion, computing per-user latent representations from observed ratings only, and enforcing a rank constraint on the latent space using a nuclear-norm proximal step based on periodic singular value thresholding. The decoder is parametrized as a low-rank factorization, enabling efficient inference. Experimental results on the MovieLens and Goodbooks datasets demonstrate that Group RC-DMC achieves superior reconstruction accuracy, measured by lower group RMSE, while remaining computationally efficient and competitive in group-level performance in terms of precision, recall, and F1 score compared with weighted-before-factorization (WBF) and after-factorization (AF) baselines. The results highlight the model's ability to recover the underlying low-rank structure of user-item interactions and provide robust group recommendations across small, medium, and large user groups.
- Abstract（参考訳）: グループ活動の人気が高まっているため、個人の好みに応じてグループにレコメンデーションを提供する手法の必要性が高まっている。
既存のグループレコメンダシステムの多くは、個々のユーザの好みを集約することに頼っているが、現実のシナリオでよく見られる高次元で疎らな評価データに悩まされることが多い。
本稿では,グループレベルの表現学習をSet-Transformerアグリゲータを介して統合し,低ランク構造とアテンションに基づく非線形モデリングを併用することにより,RC-DMCを拡張する新しいフレームワークであるGroup Rank-Constrained Deep Matrix Completion (Group RC-DMC)を提案する。
既存のグループレコメンデータシステムとは異なり、グループRC-DMCは明示的な低ランク正規化、線形エンコーダデコーダアーキテクチャ、注意に基づく非線形グループモデリングを単一のフレームワーク内で統合し、個々のレベルとグループのレベルで正確な予測を行う。
グループRC-DMCは、低ランク行列の完全化、観測された評価のみからのユーザ毎の潜伏表現の計算、周期的な特異値しきい値のしきい値に基づく核ノルム近位ステップを用いた潜伏空間のランク制約の実施を通じて、データの分散性に対処する。
デコーダは低ランク因子化としてパラメータ化され、効率的な推論を可能にする。
MovieLens と Goodbooks のデータセットによる実験結果から,グループ RC-DMC はより低いグループ RMSE で測定されたより優れた再構成精度を達成できる一方で,グループレベルの性能では,重み付け前因子化 (WBF) やアフターファクタ化 (AF) のベースラインと比較して,計算効率が高く競争力があることが示された。
その結果,ユーザ・イテムインタラクションの基盤となる低ランク構造を復元し,小,中,大規模ユーザグループ間で堅牢なグループレコメンデーションを提供する,というモデルの能力を強調した。
関連論文リスト
- Group-Aware Matrix Estimation and Latent Subspace Recovery [4.619828919345115]
Group-Aware Matrix Estimation (GAME) は、サブグループ単位の低ランク行列を重畳する凸推定器である。
GAMEはサブグループ認識の正規化によって再構成精度と潜在部分空間の忠実度が向上する構造的欠落機構において最も有益であることを示す。
論文 参考訳（メタデータ） (2026-05-19T23:22:32Z) - From Absolute to Relative: Rethinking Reward Shaping in Group-Based Reinforcement Learning [7.6602542594279335]
本稿では,報酬形成を絶対得点から相対ランクへシフトさせるために,相対報酬を用いた強化学習を提案する。
RLRRは、推論ベンチマークやオープン・エンド・ジェネレーションタスクにおいて、標準グループベースベースラインよりも一貫した性能向上をもたらすことを示す。
論文 参考訳（メタデータ） (2026-01-30T15:07:06Z) - Enhancing Group Recommendation using Soft Impute Singular Value Decomposition [0.0]
グループレコメンダシステムは、利用可能なデータの空間性と高次元性のためにしばしば苦労する。
ソフトインプット特異値分解を利用してグループレコメンデーションを強化するグループソフトインプットSVDというグループレコメンデーションシステムを提案する。
論文 参考訳（メタデータ） (2025-11-14T11:13:56Z) - A structured regression approach for evaluating model performance across intersectional subgroups [53.91682617836498]
分散評価(disaggregated evaluation)は、AIフェアネスアセスメントにおける中心的なタスクであり、AIシステムのさまざまなサブグループ間でのパフォーマンスを測定することを目的としている。
非常に小さなサブグループであっても,信頼性の高いシステム性能推定値が得られることを示す。
論文 参考訳（メタデータ） (2024-01-26T14:21:45Z) - Modeling the Q-Diversity in a Min-max Play Game for Robust Optimization [61.39201891894024]
群分布的ロバスト最適化(群 DRO)は、事前定義された群に対する最悪の損失を最小限にすることができる。
グループDROフレームワークをQ-Diversityを提案して再構築する。
インタラクティブなトレーニングモードによって特徴付けられるQ-Diversityは、アノテーションからグループ識別を緩和し、直接パラメータ化を行う。
論文 参考訳（メタデータ） (2023-05-20T07:02:27Z) - 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) - Just Train Twice: Improving Group Robustness without Training Group
Information [101.84574184298006]
経験的リスク最小化による標準トレーニングは、特定のグループにおける平均的かつ低い精度で高い精度を達成するモデルを生成することができる。
群分布的ロバストな最適化 (group DRO) のような、最悪のグループ精度を達成する以前のアプローチでは、トレーニングポイントごとに高価なグループアノテーションが必要である。
本稿では,複数のエポックに対して標準的なERMモデルを訓練し,第1モデルが誤分類したトレーニング例を重み付けする第2モデルを訓練する,単純な2段階のアプローチであるJTTを提案する。
論文 参考訳（メタデータ） (2021-07-19T17:52:32Z) - 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)
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。