論文の概要: Attentive Item2Vec: Neural Attentive User Representations

• arxiv url: http://arxiv.org/abs/2002.06205v3
• Date: Sun, 19 Apr 2020 18:25:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-31 23:01:41.760573
• Title: Attentive Item2Vec: Neural Attentive User Representations
• Title（参考訳）: Attentive Item2Vec: Neural Attentive User Representation
• Authors: Oren Barkan, Avi Caciularu, Ori Katz and Noam Koenigstein
• Abstract要約: 項目2vec(AI2V)について紹介する。項目2vec(I2V)の新しい注意バージョン。 AI2Vは、潜在的に推奨されるアイテム(ターゲット)に関して、ユーザの履歴行動(コンテキスト)の異なる特性を学習し、捉えるために、コンテキストターゲットアテンションメカニズムを採用している。 複数のデータセットに対してAI2Vの有効性を示す。
• 参考スコア（独自算出の注目度）: 29.53270166926552
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Factorization methods for recommender systems tend to represent users as a single latent vector. However, user behavior and interests may change in the context of the recommendations that are presented to the user. For example, in the case of movie recommendations, it is usually true that earlier user data is less informative than more recent data. However, it is possible that a certain early movie may become suddenly more relevant in the presence of a popular sequel movie. This is just a single example of a variety of possible dynamically altering user interests in the presence of a potential new recommendation. In this work, we present Attentive Item2vec (AI2V) - a novel attentive version of Item2vec (I2V). AI2V employs a context-target attention mechanism in order to learn and capture different characteristics of user historical behavior (context) with respect to a potential recommended item (target). The attentive context-target mechanism enables a final neural attentive user representation. We demonstrate the effectiveness of AI2V on several datasets, where it is shown to outperform other baselines.
• Abstract（参考訳）: 推薦システムの因子化手法は、ユーザを単一の潜在ベクトルとして表現する傾向がある。 しかし、ユーザの行動や関心は、ユーザに提示されるレコメンデーションのコンテキストによって変化する可能性がある。 例えば、映画のレコメンデーションの場合、通常、初期のユーザーデータが最近のデータよりも情報が少ないことは事実である。 しかし、一部の初期の映画は、人気続編映画の存在下で、突然より関連性が増す可能性がある。 これは、潜在的な新しいレコメンデーションの存在下でユーザーの興味を動的に変化させる可能性のある、さまざまな例の1つにすぎない。 本報告では, 項目2vec (AI2V) の新規注意バージョンである項目2vec (I2V) を提示する。 AI2Vは、潜在的に推奨されるアイテム(ターゲット)に関して、ユーザの履歴行動(コンテキスト)の異なる特性を学習し、捉えるために、コンテキストターゲットアテンションメカニズムを採用している。 注意コンテキストターゲット機構は、最終的な神経注意ユーザ表現を可能にする。 我々は、いくつかのデータセットにおけるai2vの有効性を実証し、他のベースラインよりも優れていることを示した。

関連論文リスト

• 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)
• A Large Language Model Enhanced Sequential Recommender for Joint Video and Comment Recommendation [77.42486522565295]
  我々は、パーソナライズされたビデオとコメントのレコメンデーションを共同で行うLSVCRと呼ばれる新しいレコメンデーション手法を提案する。 提案手法は,逐次レコメンデーション(SR)モデルと補足型大規模言語モデル(LLM)レコメンデーションという2つの重要なコンポーネントから構成される。 特に、コメント視聴時間の4.13%が大幅に向上した。
  論文  参考訳（メタデータ） (2024-03-20T13:14:29Z)
• Meta-Wrapper: Differentiable Wrapping Operator for User Interest Selection in CTR Prediction [97.99938802797377]
  クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。 近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。 そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:28:15Z)
• Modeling Dynamic User Preference via Dictionary Learning for Sequential Recommendation [133.8758914874593]
  ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。 浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。 本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
  論文  参考訳（メタデータ） (2022-04-02T03:23:46Z)
• Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
  本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-08T09:44:00Z)
• 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)
• From Implicit to Explicit feedback: A deep neural network for modeling sequential behaviours and long-short term preferences of online users [3.464871689508835]
  暗黙的かつ明示的なフィードバックは、有用な推奨のために異なる役割を持つ。 ユーザの嗜好は,長期的利益と短期的利益の組み合わせである,という仮説から導かれる。
  論文  参考訳（メタデータ） (2021-07-26T16:59:20Z)
• Context-aware short-term interest first model for session-based recommendation [0.0]
  文脈対応短期関心第一モデル(CASIF)を提案する。 本研究の目的は,文脈と短期的関心を組み合わせることで,推薦の正確性を向上させることである。 最後に、短期的および長期的利息を最終利息として結合し、候補ベクトルによって乗算して推奨確率を得る。
  論文  参考訳（メタデータ） (2021-03-29T11:36:00Z)
• Multi-Interactive Attention Network for Fine-grained Feature Learning in CTR Prediction [48.267995749975476]
  クリックスルー率(ctr)予測シナリオでは、ユーザのシーケンシャルな動作を利用してユーザの関心を捉える。 既存の手法は主にユーザの行動に注意を払っているが、CTR予測には必ずしも適していない。 マルチインタラクティブ・アテンション・ネットワーク (MIAN) を提案し, 各種微細な特徴間の潜在関係を総合的に抽出する。
  論文  参考訳（メタデータ） (2020-12-13T05:46:19Z)
• Adaptive Video Highlight Detection by Learning from User History [18.18119240674014]
  本研究では,ユーザの履歴を,ユーザが以前に作成したハイライト形式で活用することで,ハイライト検出をユーザに適用するフレームワークを提案する。 我々のフレームワークは2つのサブネットワークで構成されている。完全な時間的畳み込みハイライト検出ネットワーク$H$は、入力ビデオのハイライトを予測し、履歴エンコーダネットワーク$M$は、ユーザ履歴のためのものである。
  論文  参考訳（メタデータ） (2020-07-19T05:52:20Z)

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。