論文の概要: HAM: Hybrid Associations Models for Sequential Recommendation
- arxiv url: http://arxiv.org/abs/2002.11890v3
- Date: Mon, 4 Jan 2021 14:14:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-28 09:25:40.509821
- Title: HAM: Hybrid Associations Models for Sequential Recommendation
- Title（参考訳）: HAM:シークエンシャルレコメンデーションのためのハイブリッドアソシエーションモデル
- Authors: Bo Peng, Zhiyun Ren, Srinivasan Parthasarathy and Xia Ning
- Abstract要約: シークエンシャルレコメンデーションは、ユーザが購入/レビューする可能性が最も高いユーザに対して、次のいくつかのアイテムを特定し、推奨することを目的としている。
本論文では, 逐次レコメンデーションを生成するハイブリッドアソシエーションモデル(HAM)を開発した。
- 参考スコア（独自算出の注目度）: 12.313038384119091
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sequential recommendation aims to identify and recommend the next few items
for a user that the user is most likely to purchase/review, given the user's
purchase/rating trajectories. It becomes an effective tool to help users select
favorite items from a variety of options. In this manuscript, we developed
hybrid associations models (HAM) to generate sequential recommendations using
three factors: 1) users' long-term preferences, 2) sequential, high-order and
low-order association patterns in the users' most recent purchases/ratings, and
3) synergies among those items. HAM uses simplistic pooling to represent a set
of items in the associations, and element-wise product to represent item
synergies of arbitrary orders. We compared HAM models with the most recent,
state-of-the-art methods on six public benchmark datasets in three different
experimental settings. Our experimental results demonstrate that HAM models
significantly outperform the state of the art in all the experimental settings,
with an improvement as much as 46.6%. In addition, our run-time performance
comparison in testing demonstrates that HAM models are much more efficient than
the state-of-the-art methods, and are able to achieve significant speedup as
much as 139.7 folds.
- Abstract（参考訳）: シーケンシャルレコメンデーションは、ユーザの購入/評価の軌跡を考えると、ユーザが購入/レビューする可能性が最も高いユーザのために、次のいくつかの項目を特定し、推奨することを目的としている。
これは、ユーザーがさまざまなオプションから好きなアイテムを選択するのに役立つ効果的なツールになる。
本書では,3つの要因を用いて逐次レコメンデーションを生成するハイブリッドアソシエーションモデル(HAM)を開発した。
1)利用者の長期的嗜好
2)最近のユーザの購買・評価における逐次的・高次・低次関連パターン,および
3)これらの項目の相乗効果
HAMは単純なプーリングを用いて関連内の項目の集合を表現し、要素的積は任意の順序の項目のシナジーを表現する。
我々は、HAMモデルと最新の最先端の手法を、6つの公開ベンチマークデータセットで3つの異なる実験環境で比較した。
実験結果は,ハムモデルがすべての実験環境において,芸術の状態を著しく上回っており,46.6%の改善が見られた。
さらに、テストにおける実行時の性能比較では、HAMモデルは最先端の手法よりもはるかに効率的であり、最大139.7倍のスピードアップを達成できることが示されている。
関連論文リスト
- MM-RLHF: The Next Step Forward in Multimodal LLM Alignment [59.536850459059856]
MM-RLHF, $mathbf120k$ fine-fine, human-annotated preference comparison pairsを含むデータセットを紹介する。
本稿では,報酬モデルの品質向上とアライメントアルゴリズムの効率向上のために,いくつかの重要なイノベーションを提案する。
我々のアプローチは、$mathbf10$の異なる次元と$mathbf27$のベンチマークで厳格に評価されている。
論文 参考訳（メタデータ） (2025-02-14T18:59:51Z) - Hybrid Preferences: Learning to Route Instances for Human vs. AI Feedback [87.37721254914476]
アノテーションの品質向上のために,人間とLMの入力を組み合わせたルーティングフレームワークを提案する。
我々は、人間とLMアノテーションの任意の組み合わせで報酬モデルの性能を予測するために、性能予測モデルを訓練する。
選択したハイブリッド混合物は,一方のみ使用した場合と比較して,報奨モデルの性能が向上することを示す。
論文 参考訳（メタデータ） (2024-10-24T20:04:15Z) - Preference Optimization with Multi-Sample Comparisons [53.02717574375549]
本稿では,マルチサンプル比較を含むポストトレーニングの拡張手法を提案する。
これらのアプローチは、生成的多様性やバイアスといった重要な特徴を捉えられない。
マルチサンプル比較はシングルサンプル比較よりも集団特性の最適化に有効であることを示す。
論文 参考訳（メタデータ） (2024-10-16T00:59:19Z) - Evaluating Performance and Bias of Negative Sampling in Large-Scale Sequential Recommendation Models [0.0]
大規模産業レコメンデーションモデルは、数百万から数十億のオプションを含むカタログから最も関連性の高いアイテムを予測する。
これらのモデルを効率的に訓練するために、関連する項目ごとに巨大なカタログから無関係な項目(負のサンプル)の小さなセットが選択される。
本研究は,大規模シーケンシャルレコメンデーションモデルの負サンプリング法を選択する際のトレードオフの実践的ガイドとして機能する。
論文 参考訳（メタデータ） (2024-10-08T00:23:17Z) - Customizing Language Models with Instance-wise LoRA for Sequential Recommendation [28.667247613039965]
時系列レコメンデーションシステムは、ユーザの過去のインタラクションに基づいて次のインタラクション項目を予測し、個別の好みに合わせてレコメンデーションを調整する。
マルチタスク学習の一形態としてインスタンスワイドLoRA(iLoRA)を提案し、LoRAとMixture of Experts(MoE)フレームワークを統合する。
iLoRAは、トレーニング可能なパラメータの1%未満の相対的な増加で、基本的なLoRAよりも11.4%の平均的な相対的な改善を達成している。
論文 参考訳（メタデータ） (2024-08-19T17:09:32Z) - MaTrRec: Uniting Mamba and Transformer for Sequential Recommendation [6.74321828540424]
ユーザ行動系列内の動的嗜好や依存関係を分析し,パーソナライズされたレコメンデーションを提供することを目的としている。
状態空間モデル(SSM)表現モデルであるMambaに着想を得た結果,Mambaの推奨効率は短い相互作用シーケンスで制限されることがわかった。
我々は,MambaとTransformerの強みを組み合わせた新しいモデルMaTrRecを提案する。
論文 参考訳（メタデータ） (2024-07-27T12:07:46Z) - Decoding-Time Language Model Alignment with Multiple Objectives [116.42095026960598]
既存の手法は主に、1つの報酬関数に対してLMを最適化することに集中し、それらの適応性は様々な目的に制限される。
本稿では,予測の線形結合から次のトークンを出力する復号時間アルゴリズムである$textbfmulti-objective decoding (MOD)$を提案する。
提案手法は, 自然条件下であっても, 既存のアプローチが準最適であることを示すとともに, 提案手法の最適性を保証する。
論文 参考訳（メタデータ） (2024-06-27T02:46:30Z) - MMGRec: Multimodal Generative Recommendation with Transformer Model [81.61896141495144]
MMGRecは、マルチモーダルレコメンデーションに生成パラダイムを導入することを目指している。
まず,階層的な量子化手法であるGraph CF-RQVAEを考案し,各項目にRec-IDを割り当てる。
次に、Transformerベースのレコメンデータをトレーニングし、過去のインタラクションシーケンスに基づいて、ユーザが推奨するアイテムのRec-IDを生成する。
論文 参考訳（メタデータ） (2024-04-25T12:11:27Z) - Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback
based Recommendation [59.183016033308014]
本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。
提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
論文 参考訳（メタデータ） (2021-05-16T08:06:22Z) - Diversity Regularized Interests Modeling for Recommender Systems [25.339169652217844]
リコメンダーシステムのための多様性正規化利子モデリング(DRIM)の新しい方法を提案する。
ユーザの興味はある程度の差異を持つべきであり,複数のユーザ関心ベクトルを分離する多様性正規化セパレータとして,3つの戦略を導入する。
論文 参考訳（メタデータ） (2021-03-23T09:10:37Z) - UserReg: A Simple but Strong Model for Rating Prediction [12.149991243126808]
協調フィルタリング(CF)は、レコメンダーシステムの分野で大きな成功を収めています。
本稿では, マトリックスファクタリゼーション(MF)に基づく簡易線形モデルであるUserRegを提案し, 評価予測のための明示的なフィードバックを用いてユーザの潜在表現を正規化する。
実験の結果,userregは,検討した基準値よりも全体的な性能が向上し,最近提案された他のモデルと比較した場合の競争力も高いことがわかった。
論文 参考訳（メタデータ） (2021-02-15T15:44:29Z)
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。