論文の概要: D\'ej\`a vu: A Contextualized Temporal Attention Mechanism for Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2002.00741v1
• Date: Wed, 29 Jan 2020 20:27:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 20:52:51.461243
• Title: D\'ej\`a vu: A Contextualized Temporal Attention Mechanism for Sequential Recommendation
• Title（参考訳）: D\'ej\`a vu:シークエンシャルレコメンデーションのための文脈的テンポラルアテンションメカニズム
• Authors: Jibang Wu, Renqin Cai, Hongning Wang
• Abstract要約: 我々は、過去の出来事がユーザの現在の行動に与える影響は、時間や状況によって異なるべきであると論じる。 本研究では、歴史的行動がどのような行動であるだけでなく、その行動がいつ、どのように行われたかにも影響を及ぼすことを学習する文脈化された時間的注意機構を提案する。
• 参考スコア（独自算出の注目度）: 34.505472771669744
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting users' preferences based on their sequential behaviors in history is challenging and crucial for modern recommender systems. Most existing sequential recommendation algorithms focus on transitional structure among the sequential actions, but largely ignore the temporal and context information, when modeling the influence of a historical event to current prediction. In this paper, we argue that the influence from the past events on a user's current action should vary over the course of time and under different context. Thus, we propose a Contextualized Temporal Attention Mechanism that learns to weigh historical actions' influence on not only what action it is, but also when and how the action took place. More specifically, to dynamically calibrate the relative input dependence from the self-attention mechanism, we deploy multiple parameterized kernel functions to learn various temporal dynamics, and then use the context information to determine which of these reweighing kernels to follow for each input. In empirical evaluations on two large public recommendation datasets, our model consistently outperformed an extensive set of state-of-the-art sequential recommendation methods.
• Abstract（参考訳）: 履歴における逐次行動に基づくユーザの好みの予測は、現代のレコメンデーションシステムにとって困難かつ不可欠である。 既存のシーケンシャルレコメンデーションアルゴリズムは、シーケンシャルアクション間の遷移構造に重点を置いているが、歴史的事象の影響を現在の予測にモデル化する際には、時間的および文脈的な情報をほとんど無視している。 本稿では、過去の出来事がユーザの現在の行動に与える影響は、時間的・異なる文脈で異なるものであるべきであると論じる。 そこで本稿では,歴史的行動がどのような行動であるだけでなく,その行動がいつ,どのように行われたかにも影響を及ぼすことを学習する文脈的時間的注意機構を提案する。 より具体的には、自己アテンション機構から相対的な入力依存を動的に校正するために、複数のパラメータ化されたカーネル関数をデプロイし、様々な時間的ダイナミクスを学習し、そのコンテキスト情報を用いて各入力に対してどのカーネルに従うかを決定する。 2つの大きなパブリックレコメンデーションデータセットにおける経験的評価では、我々のモデルは、最先端のシーケンシャルレコメンデーション手法の広範なセットを一貫して上回っていた。

関連論文リスト

• Decoupled Marked Temporal Point Process using Neural Ordinary Differential Equations [14.828081841581296]
  MTPP(マークド・テンポラル・ポイント・プロセス)は、イベント・タイム・データの集合である。 近年の研究では、ディープニューラルネットワークを使用してイベントの複雑な時間的依存関係をキャプチャしている。 本稿では,プロセスの特性を異なる事象からの進化的影響の集合に分解する脱結合型MTPPフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-10T10:15:32Z)
• Look into the Future: Deep Contextualized Sequential Recommendation [28.726897673576865]
  我々は、Look into the Future(LIFT)と呼ばれる、シーケンシャルなレコメンデーションの新しいフレームワークを提案する。 LIFTはシーケンシャルなレコメンデーションのコンテキストを構築し、活用する。 本実験では,クリックスルー率予測および評価予測タスクにおいて,LIFTは大幅な性能向上を実現している。
  論文  参考訳（メタデータ） (2024-05-23T09:34:28Z)
• Sequential Recommendation on Temporal Proximities with Contrastive Learning and Self-Attention [3.7182810519704095]
  逐次リコメンデータシステムは、過去のインタラクションからユーザの好みを識別し、後続の項目を最適に予測する。 最近のモデルでは、類似の時間枠中に暗黙的に発生するユーザの行動の類似性を無視することが多い。 本稿では,時間的近接性を考慮したコントラスト学習と自己認識手法を含む,TemProxRecという逐次レコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-02-15T08:33:16Z)
• Exploring the Limits of Historical Information for Temporal Knowledge Graph Extrapolation [59.417443739208146]
  本稿では,歴史的コントラスト学習の新しい学習枠組みに基づくイベント予測モデルを提案する。 CENETは、最も潜在的なエンティティを識別するために、歴史的および非歴史的依存関係の両方を学ぶ。 提案したモデルを5つのベンチマークグラフで評価する。
  論文  参考訳（メタデータ） (2023-08-29T03:26:38Z)
• Towards Out-of-Distribution Sequential Event Prediction: A Causal Treatment [72.50906475214457]
  シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。 実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。 文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-24T07:54:13Z)
• Learning Self-Modulating Attention in Continuous Time Space with Applications to Sequential Recommendation [102.24108167002252]
  本稿では,複雑で非線形に進化する動的ユーザの嗜好をモデル化する,自己変調型注意ネットワークを提案する。 提案手法がトップNシーケンシャルなレコメンデーションタスクに与える影響を実証的に示すとともに,3つの大規模実世界のデータセットによる結果から,我々のモデルが最先端のパフォーマンスを達成できることを示す。
  論文  参考訳（メタデータ） (2022-03-30T03:54:11Z)
• Dyadic Human Motion Prediction [119.3376964777803]
  本稿では,2つの被験者の相互作用を明示的に推論する動き予測フレームワークを提案する。 具体的には,2つの被験者の運動履歴の相互依存をモデル化する一対の注意機構を導入する。 これにより、より現実的な方法で長期の運動力学を保ち、異常かつ高速な運動を予測することができる。
  論文  参考訳（メタデータ） (2021-12-01T10:30:40Z)
• Reinforcement Learning based Path Exploration for Sequential Explainable Recommendation [57.67616822888859]
  強化学習(TMER-RL)を活用した新しい時間的メタパスガイド型説明可能な勧告を提案する。 TMER-RLは, 動的知識グラフ上での動的ユーザ・イテム進化を逐次モデル化するために, 注意機構を持つ連続項目間の強化項目・イテムパスをモデル化する。 2つの実世界のデータセットに対するTMERの大規模な評価は、最近の強いベースラインと比較して最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2021-11-24T04:34:26Z)
• Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation [62.30552176649873]
  シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。 両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。 モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:44:27Z)
• MEANTIME: Mixture of Attention Mechanisms with Multi-temporal Embeddings for Sequential Recommendation [12.386304516106854]
  自己注意に基づくモデルは、シーケンシャルなレコメンデーションタスクで最先端のパフォーマンスを達成した。 これらのモデルは、ユーザの履歴のシーケンシャルな性質を活用するために、単純な位置埋め込みに依存している。 本稿では,ユーザの行動系列から様々なパターンを捉えるために,複数の時間的埋め込みを用いたMEANTIMEを提案する。
  論文  参考訳（メタデータ） (2020-08-19T05:32:14Z)

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。