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
- HypeRS: Building a Hypergraph-driven ensemble Recommender System [0.0]
本稿では,異なるモデルによる予測を統一的なハイパーグラフランキングフレームワークに組み合わせた,新しいアンサンブル推薦システムを提案する。
ハイパーグラフランキングが推奨システムのアンサンブルをモデル化するのはこれが初めてである。
論文 参考訳(メタデータ) (2023-06-22T10:59:58Z) - TransAct: Transformer-based Realtime User Action Model for
Recommendation at Pinterest [17.247452803197362]
本稿では、PinterestのHomefeedランキングアーキテクチャについて述べる。
本研究では,リアルタイム活動からユーザの短期的嗜好を抽出するシーケンシャルモデルであるTransActを提案する。
本稿では, アブレーション研究の結果, 生産時の課題, オンラインA/B実験の結果について述べる。
論文 参考訳(メタデータ) (2023-05-31T23:45:29Z) - Generating Negative Samples for Sequential Recommendation [83.60655196391855]
逐次レコメンデーション(SR)のための負のサンプル(イテム)を生成することを提案する。
アイテムに対する現在のSRモデルの学習されたユーザの好みに基づいて、各タイムステップで負の項目をサンプリングする。
4つの公開データセットの実験は、SRに高品質な負のサンプルを提供することの重要性を検証する。
論文 参考訳(メタデータ) (2022-08-07T05:44:13Z) - Sparse MoEs meet Efficient Ensembles [49.313497379189315]
このようなモデルの2つの一般的なクラス、すなわちニューラルネットワークのアンサンブルと専門家のスパースミックス(スパースMoE)の相互作用について研究する。
Efficient Ensemble of Experts (E$3$)は、両モデルのクラスを最大限に活用するスケーラブルでシンプルなMoEのアンサンブルであり、深いアンサンブルよりも最大45%少ないFLOPを使用する。
論文 参考訳(メタデータ) (2021-10-07T11:58:35Z) - 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) - Dynamic Graph Collaborative Filtering [64.87765663208927]
動的レコメンデーションは,逐次データに基づくリアルタイム予測を提供するレコメンデータシステムにとって不可欠である。
本稿では、動的グラフを利用して協調関係とシーケンシャル関係をキャプチャする新しいフレームワーク、Dynamic Graph Collaborative Filtering (DGCF)を提案する。
提案手法は, 動的協調情報の統合の有効性を示すため, 動作繰り返しの少ないデータセットでは高い性能を実現する。
論文 参考訳(メタデータ) (2021-01-08T04:16:24Z) - Seamlessly Unifying Attributes and Items: Conversational Recommendation
for Cold-Start Users [111.28351584726092]
コールドスタートユーザに対しては,属性を問うと同時に,ユーザに対して対話的に商品を推薦する,対話型レコメンデーションを提案する。
会話型トンプソンサンプリング(ConTS)モデルでは,最大報酬の腕を選択することで,対話型レコメンデーションにおけるすべての質問を一意に解決する。
論文 参考訳(メタデータ) (2020-05-23T08:56:37Z) - Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。
我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。
私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
論文 参考訳(メタデータ) (2020-05-19T10:18:43Z)
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。