論文の概要: Sequential Recommender via Time-aware Attentive Memory Network

• arxiv url: http://arxiv.org/abs/2005.08598v2
• Date: Wed, 18 Nov 2020 05:39:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-02 00:34:10.164477
• Title: Sequential Recommender via Time-aware Attentive Memory Network
• Title（参考訳）: time-aware attentive memory networkによるシーケンシャルレコメンデーション
• Authors: Wendi Ji, Keqiang Wang, Xiaoling Wang, TingWei Chen and Alexandra Cristea
• Abstract要約: 本稿では,注意機構と繰り返し単位を改善するための時間ゲーティング手法を提案する。 また,長期と短期の嗜好を統合するマルチホップ・タイムアウェア・アテンテーティブ・メモリ・ネットワークを提案する。 提案手法は,候補探索タスクに対してスケーラブルであり,ドット積に基づくTop-Kレコメンデーションのための潜在因数分解の非線形一般化とみなすことができる。
• 参考スコア（独自算出の注目度）: 67.26862011527986
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommendation systems aim to assist users to discover most preferred contents from an ever-growing corpus of items. Although recommenders have been greatly improved by deep learning, they still faces several challenges: (1) Behaviors are much more complex than words in sentences, so traditional attentive and recurrent models may fail in capturing the temporal dynamics of user preferences. (2) The preferences of users are multiple and evolving, so it is difficult to integrate long-term memory and short-term intent. In this paper, we propose a temporal gating methodology to improve attention mechanism and recurrent units, so that temporal information can be considered in both information filtering and state transition. Additionally, we propose a Multi-hop Time-aware Attentive Memory network (MTAM) to integrate long-term and short-term preferences. We use the proposed time-aware GRU network to learn the short-term intent and maintain prior records in user memory. We treat the short-term intent as a query and design a multi-hop memory reading operation via the proposed time-aware attention to generate user representation based on the current intent and long-term memory. Our approach is scalable for candidate retrieval tasks and can be viewed as a non-linear generalization of latent factorization for dot-product based Top-K recommendation. Finally, we conduct extensive experiments on six benchmark datasets and the experimental results demonstrate the effectiveness of our MTAM and temporal gating methodology.
• Abstract（参考訳）: レコメンデーションシステムは、ユーザーが成長を続けるアイテムのコーパスから最も好まれるコンテンツを見つけるのを支援する。 1) 行動は文中の単語よりもはるかに複雑であるため、従来の注意的・反復的なモデルはユーザの好みの時間的ダイナミクスを捉えるのに失敗する可能性がある。 2) ユーザの嗜好は多様かつ進化しており,長期記憶と短期意図を統合することは困難である。 本稿では,情報フィルタリングと状態遷移の両方において,時間的情報を考慮し,注意機構と繰り返し単位を改善するための時間的ゲーティング手法を提案する。 さらに、長期および短期の選好を統合できるマルチホップ時間認識型記憶ネットワーク(mtam)を提案する。 提案する時間対応gruネットワークを用いて,短期的意図を学習し,ユーザメモリ内の先行レコードを保持する。 短期的意図をクエリとして扱い,提案する時間認識的注意を通してマルチホップメモリ読み出し操作の設計を行い,現在の意図と長期記憶に基づいてユーザ表現を生成する。 提案手法は候補検索タスクに対してスケーラブルであり,ドット生成型top-kレコメンデーションに対する潜在因子分解の非線形一般化と見なすことができる。 最後に,6つのベンチマークデータセットについて広範な実験を行い,MTAMおよび時間的ゲーティング手法の有効性を実証した。

関連論文リスト

• Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
  クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。 近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。 マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
  論文  参考訳（メタデータ） (2024-11-22T15:29:05Z)
• LongMemEval: Benchmarking Chat Assistants on Long-Term Interactive Memory [68.97819665784442]
  本稿では,チャットアシスタントの5つのコアメモリ能力を評価するためのベンチマークであるLongMemEvalを紹介する。 LongMemEvalは、既存の長期記憶システムにとって重要な課題である。 長期記憶設計を4つの設計選択に分割する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-14T17:59:44Z)
• Sequential Search with Off-Policy Reinforcement Learning [48.88165680363482]
  本稿では,RNN学習フレームワークとアテンションモデルからなる,スケーラブルなハイブリッド学習モデルを提案する。 新たな最適化のステップとして、1つのRNNパスに複数の短いユーザシーケンスをトレーニングバッチ内に収める。 また、マルチセッションパーソナライズされた検索ランキングにおける非政治強化学習の利用についても検討する。
  論文  参考訳（メタデータ） (2022-02-01T06:52:40Z)
• Denoising User-aware Memory Network for Recommendation [11.145186013006375]
  我々はDUMN(Denoising User-Aware memory network)という新しいCTRモデルを提案する。 DUMNは明示的なフィードバックの表現を使用して、暗黙的なフィードバックの表現を浄化し、暗黙的なフィードバックを効果的に軽視する。 2つの実際のEコマースユーザ行動データセットの実験は、DUMNが最先端のベースラインよりも大幅に改善されていることを示している。
  論文  参考訳（メタデータ） (2021-07-12T14:39:36Z)
• Temporal Memory Relation Network for Workflow Recognition from Surgical Video [53.20825496640025]
  本研究では, 長期および多スケールの時間パターンを関連づける, エンドツーエンドの時間メモリ関係ネットワーク (TMNet) を提案する。 我々はこのアプローチを2つのベンチマーク手術ビデオデータセットで広範囲に検証した。
  論文  参考訳（メタデータ） (2021-03-30T13:20:26Z)
• 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)
• TLSAN: Time-aware Long- and Short-term Attention Network for Next-item Recommendation [0.0]
  我々は,TLSAN(Long-Aware and Short-Term Attention Network)を提案する。 TLSANは、長期的行動におけるカテゴリ認識相関を伴うトレーニング可能なパーソナライズされた時間位置埋め込みによって、ユーザー固有の時間的嗜好を学習する。 ユーザの長期的および短期的好みを効果的に捉え、正確な推奨のために、長期的および短期的機能的注意層が提案される。
  論文  参考訳（メタデータ） (2021-03-16T10:51:57Z)
• Dynamic Memory based Attention Network for Sequential Recommendation [79.5901228623551]
  DMAN(Dynamic Memory-based Attention Network)と呼ばれる新しい連続的推薦モデルを提案する。 長い動作シーケンス全体を一連のサブシーケンスに分割し、モデルをトレーニングし、ユーザの長期的な利益を維持するためにメモリブロックのセットを維持する。 動的メモリに基づいて、ユーザの短期的および長期的関心を明示的に抽出し、組み合わせて効率的な共同推薦を行うことができる。
  論文  参考訳（メタデータ） (2021-02-18T11:08:54Z)
• Modeling Long-Term and Short-Term Interests with Parallel Attentions for Session-based Recommendation [17.092823992007794]
  セッションベースのレコメンダは通常、ユーザの進化する関心を探求します。 近年の注意機構の進歩により、この課題を解決するための最先端の手法が導かれた。 本稿では,セッションベースレコメンデーションのための並列注意ネットワークモデル(PAN)を提案する。
  論文  参考訳（メタデータ） (2020-06-27T11:47:51Z)

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。