論文の概要: M2: Mixed Models with Preferences, Popularities and Transitions for
Next-Basket Recommendation
- arxiv url: http://arxiv.org/abs/2004.01646v4
- Date: Mon, 17 Jan 2022 21:20:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-17 04:11:00.400448
- Title: M2: Mixed Models with Preferences, Popularities and Transitions for
Next-Basket Recommendation
- Title（参考訳）: M2:次世代勧告の前提, 人気, 変遷を考慮した混合モデル
- Authors: Bo Peng, Zhiyun Ren, Srinivasan Parthasarathy and Xia Ning
- Abstract要約: Next-Basketレコメンデーションは、ユーザーが全体として購入する次のバスケットにアイテムのセットをレコメンデーションする問題を考慮している。
我々は,次のバスケリコメンデーションのために,嗜好,人気,移行を伴う新しい混合モデル(M2)を開発した。
実験の結果、M2は全てのタスクにおいて、すべてのデータセットにおいて最先端の手法よりも大幅に優れていることが示された。
- 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: Next-basket recommendation considers the problem of recommending a set of
items into the next basket that users will purchase as a whole. In this paper,
we develop a novel mixed model with preferences, popularities and transitions
(M2) for the next-basket recommendation. This method models three important
factors in next-basket generation process: 1) users' general preferences, 2)
items' global popularities and 3) transition patterns among items. Unlike
existing recurrent neural network-based approaches, M2 does not use the
complicated networks to model the transitions among items, or generate
embeddings for users. Instead, it has a simple encoder-decoder based approach
(ed-Trans) to better model the transition patterns among items. We compared M2
with different combinations of the factors with 5 state-of-the-art next-basket
recommendation methods on 4 public benchmark datasets in recommending the
first, second and third next basket. Our experimental results demonstrate that
M2 significantly outperforms the state-of-the-art methods on all the datasets
in all the tasks, with an improvement of up to 22.1%. In addition, our ablation
study demonstrates that the ed-Trans is more effective than recurrent neural
networks in terms of the recommendation performance. We also have a thorough
discussion on various experimental protocols and evaluation metrics for
next-basket recommendation evaluation.
- Abstract（参考訳）: next-basketレコメンデーションでは、ユーザが全体として購入する次のバスケットに一連のアイテムを推奨する問題を考える。
本稿では,次のバスケリコメンデーションのために,好み,人気度,移行度(M2)の混合モデルを開発する。
この方法は次のバスケット生成プロセスにおける3つの重要な要素をモデル化する。
1)利用者の一般的な嗜好
2)世界の人気と商品
3)項目間の遷移パターン。
既存のリカレントニューラルネットワークベースのアプローチとは異なり、M2は複雑なネットワークを使用してアイテム間の遷移をモデル化したり、ユーザへの埋め込みを生成する。
代わりに、単純なエンコーダ-デコーダベースのアプローチ(ed-Trans)を使用して、アイテム間の遷移パターンをモデル化する。
第1、第2、第3のバスケットを推奨する4つのベンチマークデータセットで、m2と5つの最先端のnext-basket推奨手法を比較した。
実験の結果、m2はすべてのタスクにおいて最先端のメソッドを上回っており、最大22.1%の改善が見られた。
また,本研究では,ed-transがリカレントニューラルネットワークよりもレコメンデーション性能において有効であることを示す。
また,next-basketレコメンデーション評価のための各種実験プロトコルと評価指標について詳細な議論を行った。
関連論文リスト
- An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
まず最適化モデルを構築し,非単調な選好をモデル化する。
本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。
2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
論文 参考訳（メタデータ） (2024-09-04T14:36:20Z) - Aligning GPTRec with Beyond-Accuracy Goals with Reinforcement Learning [67.71952251641545]
GPTRecはアイテム・バイ・イテムレコメンデーションのためのTop-Kモデルの代替品である。
GPTRecは,従来のグリーディ・リグレード手法よりも精度とセカンダリ・メトリクスのトレードオフが優れていることを示す。
2つのデータセットに対する実験により、GPTRecのNext-K生成アプローチは、古典的なグリージーな再ランク技術よりも精度と二次メトリクスのトレードオフが優れていることが示された。
論文 参考訳（メタデータ） (2024-03-07T19:47:48Z) - Ada-Retrieval: An Adaptive Multi-Round Retrieval Paradigm for Sequential
Recommendations [50.03560306423678]
本稿では,レコメンダシステムのための適応型マルチラウンド検索パラダイムであるAda-Retrievalを提案する。
Ada-Retrievalは、ユーザー表現を反復的に洗練し、全項目領域の潜在的な候補をよりよく捉えます。
論文 参考訳（メタデータ） (2024-01-12T15:26:40Z) - PIER: Permutation-Level Interest-Based End-to-End Re-ranking Framework
in E-commerce [13.885695433738437]
既存の再ランク付け手法は、初期ランキングリストを直接入力として取り、よく設計されたコンテキストワイズモデルによって最適な置換を生成する。
候補の順列を評価することは 現実的には 許容できない計算コストをもたらします
本稿では,これらの課題に対処するため,PIERという新しいエンドツーエンドのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-06T09:17:52Z) - Adapting Triplet Importance of Implicit Feedback for Personalized
Recommendation [43.85549591503592]
インプシットフィードバックは、パーソナライズされたレコメンデーションサービスを開発するために頻繁に使用される。
本稿では,Triplet Importance Learning (TIL) という新たなトレーニングフレームワークを提案する。
提案手法は,トップkレコメンデーションのRecall@kにおいて,既存モデルよりも3～21%優れていた。
論文 参考訳（メタデータ） (2022-08-02T19:44:47Z) - A Next Basket Recommendation Reality Check [48.29308926607474]
次のバスケットレコメンデーション(NBR)システムの目標は、以前のバスケットのシーケンスに基づいて、次のバスケットのアイテムをユーザに推奨することである。
我々は,反復と探索の区別を中心に,次のバスケット推薦手法の評価について,新しい角度を提供する。
NBRモデルの繰り返し/爆発率と性能を測定する指標のセットを提案する。
論文 参考訳（メタデータ） (2021-09-29T07:14:22Z) - Contrastive Self-supervised Sequential Recommendation with Robust
Augmentation [101.25762166231904]
Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。
データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。
逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
論文 参考訳（メタデータ） (2021-08-14T07:15:25Z) - A Survey on Neural Recommendation: From Collaborative Filtering to
Content and Context Enriched Recommendation [70.69134448863483]
レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。
近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
論文 参考訳（メタデータ） (2021-04-27T08:03:52Z) - Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。
当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
論文 参考訳（メタデータ） (2020-05-21T12:28:59Z)
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。