論文の概要: Discovering Topics from Linear Autoencoders

• arxiv url: http://arxiv.org/abs/2610.34739v1
• Date: Mon, 26 Oct 2026 02:40:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.688132
• Title: Discovering Topics from Linear Autoencoders
• Title（参考訳）: リニアオートエンコーダから話題を発見する
• Abstract要約: 線形レコメンダとトピックモデルは、アイテムの共起から暗黙的に学ぶという点で類似している。 本研究では, ユーザ・イテム相互作用の潜在因子モデルを用いて, 閉形式線形オートエンコーダの重み行列から潜在話題を発見できることを示す。
• 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: Linear recommenders and topic models are similar in that they implicitly learn from co-occurrences of items. However, there has been little study of how these two model families are related. In this work, we show that, under a latent-factor model of the user-item interactions, the latent topics can be discovered from the weight matrix of a closed-form linear autoencoder. These topics provide a basis for interpreting the recommendations, and can be obtained directly from the trained recommender without additional training. Building on our analysis, we further propose novel item and user normalizations that prevent popular items and very active users from dominating the topics. Our experiments on six public datasets demonstrate that our method achieves significantly higher topic quality than every dedicated topic model and matches or exceeds the best linear autoencoder on all six datasets, while its recommendation performance is competitive with the best tuned recommender.
• Abstract（参考訳）: 線形レコメンダとトピックモデルは、アイテムの共起から暗黙的に学ぶという点で類似している。 しかし、この2つのモデルがどのような関係を持つのかは、ほとんど研究されていない。 本研究では, ユーザ・イテム相互作用の潜在因子モデルを用いて, 閉形式線形オートエンコーダの重み行列から潜在話題を発見できることを示す。 これらのトピックはレコメンデーションを解釈する基盤を提供し、追加のトレーニングなしでトレーニングされたレコメンデーターから直接得ることができる。 さらに,本分析に基づいて,人気アイテムや非常にアクティブなユーザがトピックを支配できないよう,新しい項目とユーザ正規化を提案する。 6つの公開データセットに対する実験により,提案手法は各専用トピックモデルよりも格段に高いトピック品質を達成でき,全6データセットの最良の線形オートエンコーダに適合するか,あるいは超えていることが示された。

関連論文リスト

• Multi-Level Aware Preference Learning: Enhancing RLHF for Complex Multi-Instruction Tasks [81.44256822500257]
  RLHFは、人工知能システムと人間の好みを結びつける主要なアプローチとして登場した。 RLHFは、複雑なマルチインストラクションタスクに直面すると、不十分なコンプライアンス機能を示す。 本稿では,マルチインストラクション能力を向上させる新しいMAPL(Multi-level Aware Preference Learning)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-19T08:33:11Z)
• Prompt-to-Slate: Diffusion Models for Prompt-Conditioned Slate Generation [9.864273882854297]
  本稿では, 急速条件付きスレート生成のための拡散モデルに基づく生成フレームワークであるDMSGを紹介する。 検索ベースや自己回帰モデルとは異なり、DMSGはスレート上の結合分布をモデル化し、柔軟性と多様性を高める。 DMSGを音楽プレイリスト生成とeコマースバンドル生成の2つの重要な領域で評価する。
  論文  参考訳（メタデータ） (2024-08-13T13:29:57Z)
• Dynamic Collaborative Filtering for Matrix- and Tensor-based Recommender Systems [5.1148288291550505]
  我々は、TIRecAとして知られる逐次問題に対する新しい協調フィルタリングモデルを提案する。 TIRecAは、新しいデータセグメントのみを使用してパラメータを効率的に更新し、リコメンダシステムに新たなユーザとアイテムをインクリメンタルに追加することができる。 一般行列とテンソルベースラインとの比較から,TIRecAはトレーニング時間において10～20倍高速でありながら,ベースライン法に匹敵する品質を達成できることが判明した。
  論文  参考訳（メタデータ） (2023-12-04T20:45:51Z)
• Generating Usage-related Questions for Preference Elicitation in Conversational Recommender Systems [19.950705852361565]
  項目使用量に基づいて暗黙的な質問を行うことにより、嗜好の誘惑に対する新しいアプローチを提案する。 クラウドソーシングを用いた高品質なラベル付きトレーニングデータセットを開発した。 本手法は,限られたトレーニングデータであっても,エレキュベーション質問を発生させるのに有効であることを示す。
  論文  参考訳（メタデータ） (2021-11-26T12:23:14Z)
• Utilizing Textual Reviews in Latent Factor Models for Recommender Systems [1.7361353199214251]
  本稿では,テキストレビューに基づく評価モデリング手法とトピックモデリング手法を組み合わせたレコメンデーションアルゴリズムを提案する。 サイズが異なるAmazon.comデータセットを用いてアルゴリズムの性能を評価し,23の製品カテゴリに対応する。
  論文  参考訳（メタデータ） (2021-11-16T15:07:51Z)
• A Survey on Neural Recommendation: From Collaborative Filtering to Content and Context Enriched Recommendation [70.69134448863483]
  レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。 近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
  論文  参考訳（メタデータ） (2021-04-27T08:03:52Z)
• Improving Neural Topic Models using Knowledge Distillation [84.66983329587073]
  我々は,確率論的トピックモデルと事前学習されたトランスフォーマーの最適属性を組み合わせるために,知識蒸留を用いる。 我々のモジュラー手法は、どのニューラルトピックモデルでも簡単に適用でき、トピックの品質を向上させることができる。
  論文  参考訳（メタデータ） (2020-10-05T22:49:16Z)
• S^3-Rec: Self-Supervised Learning for Sequential Recommendation with Mutual Information Maximization [104.87483578308526]
  本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。 そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。 6つの実世界のデータセットで実施された大規模な実験は、既存の最先端手法よりも提案手法が優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-18T11:44:10Z)
• Self-Supervised Reinforcement Learning for Recommender Systems [77.38665506495553]
  逐次リコメンデーションタスクのための自己指導型強化学習を提案する。 提案手法は,2つの出力層を持つ標準レコメンデーションモデルを強化する。 このようなアプローチに基づいて、自己監督型Q-ラーニング(SQN)と自己監督型アクター・クライブ(SAC)という2つのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-10T11:18:57Z)
• Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
  逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。 当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
  論文  参考訳（メタデータ） (2020-05-21T12:28:59Z)

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。