論文の概要: Modeling Personalized Item Frequency Information for Next-basket Recommendation

• arxiv url: http://arxiv.org/abs/2006.00556v1
• Date: Sun, 31 May 2020 16:42:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 13:16:39.924715
• Title: Modeling Personalized Item Frequency Information for Next-basket Recommendation
• Title（参考訳）: next-basketレコメンデーションのためのパーソナライズされたアイテム頻度情報のモデル化
• Authors: Haoji Hu and Xiangnan He and Jinyang Gao and Zhi-Li Zhang
• Abstract要約: 次世代レコメンデーション(NBR)は、電子商取引や小売業界で一般的である。 既存のRNNでは,レコメンデーションシナリオにおいて,アイテムの周波数情報を直接キャプチャすることはできない。 我々はこれらの臨界信号を直接利用する簡単なアイテム周波数に基づくk-nearest neighbors (kNN)法を提案する。
• 参考スコア（独自算出の注目度）: 63.94555438898309
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Next-basket recommendation (NBR) is prevalent in e-commerce and retail industry. In this scenario, a user purchases a set of items (a basket) at a time. NBR performs sequential modeling and recommendation based on a sequence of baskets. NBR is in general more complex than the widely studied sequential (session-based) recommendation which recommends the next item based on a sequence of items. Recurrent neural network (RNN) has proved to be very effective for sequential modeling and thus been adapted for NBR. However, we argue that existing RNNs cannot directly capture item frequency information in the recommendation scenario. Through careful analysis of real-world datasets, we find that {\em personalized item frequency} (PIF) information (which records the number of times that each item is purchased by a user) provides two critical signals for NBR. But, this has been largely ignored by existing methods. Even though existing methods such as RNN based methods have strong representation ability, our empirical results show that they fail to learn and capture PIF. As a result, existing methods cannot fully exploit the critical signals contained in PIF. Given this inherent limitation of RNNs, we propose a simple item frequency based k-nearest neighbors (kNN) method to directly utilize these critical signals. We evaluate our method on four public real-world datasets. Despite its relative simplicity, our method frequently outperforms the state-of-the-art NBR methods -- including deep learning based methods using RNNs -- when patterns associated with PIF play an important role in the data.
• Abstract（参考訳）: next-basket recommendation (nbr)はeコマースや小売業界で広く使われている。 このシナリオでは、ユーザが一度に一組のアイテム(バスケット)を購入する。 NBRは一連のバスケットに基づいて逐次モデリングとレコメンデーションを行う。 NBRは一般に、一連の項目に基づいて次の項目を推奨するシーケンシャルな(セッションベースの)レコメンデーションよりも複雑である。 リカレントニューラルネットワーク(RNN)はシーケンシャルなモデリングに非常に有効であることが証明され、したがってNBRに適応した。 しかし,既存のRNNでは推薦シナリオでアイテムの周波数情報を直接キャプチャすることはできない。 実世界のデータセットを慎重に分析した結果,PIF情報(各アイテムがユーザによって購入される回数を記録する)がNBRに2つの重要な信号を提供することがわかった。 しかし、これは既存の方法によって無視されている。 RNN法のような既存の手法は表現能力が強いが,実証実験の結果,PIFの学習や取得に失敗していることがわかった。 その結果、既存の手法ではpifに含まれる臨界信号を完全に活用することはできない。 このようなRNNの制約を考慮し、これらの臨界信号を直接利用する簡単なアイテム周波数に基づくk-nearest neighbors (kNN)法を提案する。 提案手法を4つの実世界データセット上で評価する。 比較的単純であるにもかかわらず、PIFに関連するパターンがデータに重要な役割を果たす場合、我々の手法は、RNNを用いたディープラーニングベースの手法を含む最先端のNBR手法よりも優れている。

関連論文リスト

• Hypergraph Enhanced Knowledge Tree Prompt Learning for Next-Basket Recommendation [50.55786122323965]
  次バスケットレコメンデーション(NBR)は、対応するバスケットシーケンスが与えられた次のバスケット内のアイテムを推論することを目的としている。 HEKP4NBRは知識グラフ(KG)をKTP(Knowledge Tree Prompt)と呼ばれるプロンプトに変換し、PLMがOOV(Out-Of-Vocabulary)アイテムIDをエンコードするのを助ける。 ハイパーグラフ畳み込みモジュールは、複数の側面からMoEモデルによって測定されたアイテム類似性に基づいてハイパーグラフを構築するように設計されている。
  論文  参考訳（メタデータ） (2023-12-26T02:12:21Z)
• Large-scale Pre-trained Models are Surprisingly Strong in Incremental Novel Class Discovery [76.63807209414789]
  我々は,クラスiNCDにおける現状問題に挑戦し,クラス発見を継続的に,真に教師なしで行う学習パラダイムを提案する。 凍結したPTMバックボーンと学習可能な線形分類器から構成される単純なベースラインを提案する。
  論文  参考訳（メタデータ） (2023-03-28T13:47:16Z)
• Effective and Efficient Training for Sequential Recommendation using Recency Sampling [91.02268704681124]
  本稿では,新しいRecency-based Smpling of Sequencesトレーニング目標を提案する。 提案手法により拡張されたモデルにより,最先端のBERT4Recに近い性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-07-06T13:06:31Z)
• WSLRec: Weakly Supervised Learning for Neural Sequential Recommendation Models [24.455665093145818]
  我々は、WSLRecと呼ばれる新しいモデルに依存しないトレーニング手法を提案し、3段階のフレームワーク(事前学習、トップ$k$マイニング、本質的、微調整)を採用する。 WSLRec は、BR や ItemCF のようなモデルフリーメソッドから、余分な弱い監督のモデルを事前訓練することで、不完全性の問題を解決すると同時に、最上位の$k のマイニングを活用して、微調整のための弱い監督の信頼性の高いユーザ・イテム関連を検査することで、不正確な問題を解消する。
  論文  参考訳（メタデータ） (2022-02-28T08:55:12Z)
• Filter-enhanced MLP is All You Need for Sequential Recommendation [89.0974365344997]
  オンラインプラットフォームでは、ログされたユーザの行動データはノイズを含まないことは避けられない。 周波数領域の雑音を減衰させる信号処理から,フィルタアルゴリズムのアイデアを借用する。 逐次レコメンデーションタスクのための学習可能なフィルタを備えたオールMLPモデルである textbfFMLP-Rec を提案する。
  論文  参考訳（メタデータ） (2022-02-28T05:49:35Z)
• 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)
• Being a Bit Frequentist Improves Bayesian Neural Networks [76.73339435080446]
  OODを訓練したBNNは、近年の頻繁なベースラインに劣らず、競争力があることを示す。 この研究はベイジアンおよび頻繁なUQにおける将来の研究の強力なベースラインを提供する。
  論文  参考訳（メタデータ） (2021-06-18T11:22:42Z)
• Counterfactual Explanations for Neural Recommenders [10.880181451789266]
  神経レコメンダーの非現実的な説明を見つけるための最初の一般的なフレームワークであるACCENTを提案する。 我々はACCENTを使って2つの一般的なニューラルモデルに対する反実的説明を生成する。
  論文  参考訳（メタデータ） (2021-05-11T13:16:18Z)
• RetaGNN: Relational Temporal Attentive Graph Neural Networks for Holistic Sequential Recommendation [11.62499965678381]
  シーケンスレコメンデーション(SR)は、現在のアクセスされたアイテムに基づいて、ユーザーのアイテムのリストを正確に推奨することです。 本稿では,新たなディープラーニングモデルであるRelation Temporal Attentive Graph Neural Networks (RetaGNN)を提案する。
  論文  参考訳（メタデータ） (2021-01-29T08:08:34Z)

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。