論文の概要: Controllable Multi-Interest Framework for Recommendation

• arxiv url: http://arxiv.org/abs/2005.09347v2
• Date: Mon, 3 Aug 2020 02:16:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 13:39:30.564722
• Title: Controllable Multi-Interest Framework for Recommendation
• Title（参考訳）: レコメンデーションのための制御可能なマルチ興味フレームワーク
• Authors: Yukuo Cen, Jianwei Zhang, Xu Zou, Chang Zhou, Hongxia Yang, Jie Tang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 64.30030600415654
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, neural networks have been widely used in e-commerce recommender systems, owing to the rapid development of deep learning. We formalize the recommender system as a sequential recommendation problem, intending to predict the next items that the user might be interacted with. Recent works usually give an overall embedding from a user's behavior sequence. However, a unified user embedding cannot reflect the user's multiple interests during a period. In this paper, we propose a novel controllable multi-interest framework for the sequential recommendation, called ComiRec. Our multi-interest module captures multiple interests from user behavior sequences, which can be exploited for retrieving candidate items from the large-scale item pool. These items are then fed into an aggregation module to obtain the overall recommendation. The aggregation module leverages a controllable factor to balance the recommendation accuracy and diversity. We conduct experiments for the sequential recommendation on two real-world datasets, Amazon and Taobao. Experimental results demonstrate that our framework achieves significant improvements over state-of-the-art models. Our framework has also been successfully deployed on the offline Alibaba distributed cloud platform.
• Abstract（参考訳）: 近年,ディープラーニングの急速な発展により,eコマースレコメンデーションシステムにおいてニューラルネットワークが広く利用されている。 我々は,ユーザが対話する可能性のある次の項目を予測することを目的とした,逐次的なレコメンデーション問題としてレコメンデータシステムを定式化する。 最近の作業は通常、ユーザの行動シーケンスから全体の埋め込みを提供する。 しかし、統一されたユーザー埋め込みは、ある期間におけるユーザーの複数の関心を反映することができない。 本稿では,ComiRecと呼ばれるシーケンシャル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。 我々の多目的モジュールは、大規模アイテムプールから候補アイテムを取得するために利用することができる、ユーザの行動シーケンスから複数の興味を捉えます。 これらのアイテムはアグリゲーションモジュールに送られ、全体的なレコメンデーションを得る。 集約モジュールは、レコメンデーションの精度と多様性のバランスをとるために制御可能な要素を利用する。 我々はamazonとtaobaoという2つの実世界のデータセットで逐次レコメンデーションの実験を行う。 実験の結果,我々のフレームワークは最先端モデルよりも大幅に改善されていることがわかった。 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もうまくデプロイされています。

関連論文リスト

• 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)
• 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)
• On Generative Agents in Recommendation [58.42840923200071]
  Agent4Recは、Large Language Modelsに基づいたレコメンデーションのユーザーシミュレータである。 各エージェントは、ページ単位でパーソナライズされた推奨モデルと対話する。
  論文  参考訳（メタデータ） (2023-10-16T06:41:16Z)
• MISSRec: Pre-training and Transferring Multi-modal Interest-aware Sequence Representation for Recommendation [61.45986275328629]
  逐次レコメンデーションのためのマルチモーダル事前学習・転送学習フレームワークであるMISSRecを提案する。 ユーザ側ではトランスフォーマーベースのエンコーダデコーダモデルを設計し、コンテキストエンコーダがシーケンスレベルのマルチモーダルユーザ興味を捉えることを学習する。 候補項目側では,ユーザ適応項目表現を生成するために動的融合モジュールを採用する。
  論文  参考訳（メタデータ） (2023-08-22T04:06:56Z)
• A Sequence-Aware Recommendation Method Based on Complex Networks [1.385805101975528]
  データからネットワークモデルを構築し、それを使ってユーザのその後のアクションを予測する。 提案手法は大規模データセット上で実験的に実装および試験を行った。
  論文  参考訳（メタデータ） (2022-09-30T16:34:39Z)
• Improving Sequential Query Recommendation with Immediate User Feedback [6.925738064847176]
  本稿では,対話型データ探索設定における次のクエリレコメンデーションのためのアルゴリズムを提案する。 人気のあるオンライン文献発見サービスからログファイルを用いて大規模な実験を行った。
  論文  参考訳（メタデータ） (2022-05-12T18:19:24Z)
• GIMIRec: Global Interaction Information Aware Multi-Interest Framework for Sequential Recommendation [5.416421678129053]
  本稿では,GIMIレコメンデーションのための多目的フレームワーク(Global Interaction Aware Multi-Interest Framework for Sequential Recommendation,GIMIRec)という新たなレコメンデーションモデルを提案する。 Recall、NDCG、Hit RateインジケータにおけるGIMIRecの性能は、最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-12-16T09:12:33Z)
• Sparse-Interest Network for Sequential Recommendation [78.83064567614656]
  本稿では,シーケンシャルレコメンデーションのためのtextbfSparse textbfInterest textbfNEtwork(SINE)を提案する。 我々のスパース関心モジュールは、大きなコンセプトプールから各ユーザに対してスパースの概念セットを適応的に推測することができる。 SINEは最先端の手法よりも大幅に改善できる。
  論文  参考訳（メタデータ） (2021-02-18T11:03:48Z)

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。