AMEIR:レコメンダーシステムにおける自動行動モデリング,インタラクション探索およびMLP研究【JST・京大機械翻訳】

Zhao Pengyu; Xiao Kecheng; Zhang Yuanxing; Bian Kaigui; Yan Wei

プレプリント

J-GLOBAL ID：202202215922254150 整理番号：22P0157598

AMEIR:レコメンダーシステムにおける自動行動モデリング,インタラクション探索およびMLP研究【JST・京大機械翻訳】

AMEIR: Automatic Behavior Modeling, Interaction Exploration and MLP Investigation in the Recommender System

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2020年06月10日プレプリントサーバーでの情報更新日： 2022年06月14日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

最近,深層学習モデルは産業推薦システムに広く普及し,推薦品質を推進している。注目すべき成功を達成したが,タスク意識推薦システムの設計は,通常,ドメインエキスパートから手動特徴工学とアーキテクチャエンジニアリングを必要とする。これらの人間の努力を緩和するために,著者らは,神経アーキテクチャ探索(NAS)の可能性を調査して,Recommenderシステムにおける自動行動モデリング,相互作用探索および多層パーセプトロン(MLP)調査のためにAMEIRを導入した。AMEIRのコア寄与は3段階探索空間と調整された3段階探索パイプラインである。特に,AMEIRは,完全な推薦モデルを,挙動モデリング,相互作用探索,MLP凝集の3段階に分割し,既存の方法の大部分をカバーする3つの調整された部分空間を含む新しい探索空間を導入し,従って,より良いモデルを探索することを可能にした。理想的アーキテクチャを効率的かつ効果的に見つけるために,AMEIRは3つの段階で徐々に推薦におけるワンショットランダム探索を実現して,最終的結果として検索結果を組立てた。さらなる解析は,AMEIRの探索空間が代表的な推薦モデルの大部分をカバーできることを明らかにし,それは著者らの設計の普遍性を示した。種々のシナリオにわたる広範な実験は,AMEIRが,低いモデル複雑性と同等の時間コストで,精巧な手動設計および誘導アルゴリズム複合NAS法の競合基準を凌駕し,提案した方法の有効性,効率およびロバスト性を示した。【JST・京大機械翻訳】

, , , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

その他の情報処理 , 人工知能

, , ,

前のページに戻る