論文の概要: Jointly Modeling Intra- and Inter-transaction Dependencies with
Hierarchical Attentive Transaction Embeddings for Next-item Recommendation
- arxiv url: http://arxiv.org/abs/2006.04530v1
- Date: Sat, 30 May 2020 14:04:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-26 18:17:44.926935
- Title: Jointly Modeling Intra- and Inter-transaction Dependencies with
Hierarchical Attentive Transaction Embeddings for Next-item Recommendation
- Title(参考訳): 階層型注意トランザクション埋め込みによるトランザクション内およびトランザクション間依存性の協調モデリング
- Authors: Shoujin Wang, Longbing Cao, Liang Hu, Shlomo Berkovsky, Xiaoshui
Huang, Lin Xiao, Wenpeng Lu
- Abstract要約: トランザクションベースのレコメンデータシステム(TBRS)は、トランザクションデータの依存関係をモデル化することで、次の項目を予測することを目的としている。
既存のほとんどのメソッドは、現在のトランザクション内でのトランザクション内依存性をモデリングするだけで次のアイテムを推奨します。
本稿では,これらの問題に対処するための新しい階層型注意トランザクション埋め込み(HATE)モデルを提案する。
- 参考スコア(独自算出の注目度): 43.09242534398912
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A transaction-based recommender system (TBRS) aims to predict the next item
by modeling dependencies in transactional data. Generally, two kinds of
dependencies considered are intra-transaction dependency and inter-transaction
dependency. Most existing TBRSs recommend next item by only modeling the
intra-transaction dependency within the current transaction while ignoring
inter-transaction dependency with recent transactions that may also affect the
next item. However, as not all recent transactions are relevant to the current
and next items, the relevant ones should be identified and prioritized. In this
paper, we propose a novel hierarchical attentive transaction embedding (HATE)
model to tackle these issues. Specifically, a two-level attention mechanism
integrates both item embedding and transaction embedding to build an attentive
context representation that incorporates both intraand inter-transaction
dependencies. With the learned context representation, HATE then recommends the
next item. Experimental evaluations on two real-world transaction datasets show
that HATE significantly outperforms the state-ofthe-art methods in terms of
recommendation accuracy.
- Abstract(参考訳): トランザクションベースのレコメンデータシステム(TBRS)は、トランザクションデータの依存関係をモデル化することで、次の項目を予測することを目的としている。
一般的に考慮される2種類の依存関係は、トランザクション内依存性とトランザクション間依存性である。
既存のtbrsの多くは、トランザクション内依存性をモデリングするだけで次の項目を推奨するが、トランザクション間依存性は次の項目にも影響する可能性がある最近のトランザクションでは無視する。
しかしながら、最近のすべてのトランザクションが現在の項目と次の項目に関連しているわけではないので、関連するトランザクションを特定し優先順位を付ける必要がある。
本稿では,これらの問題に対処する新しい階層型注意トランザクション埋め込み(HATE)モデルを提案する。
具体的には、2段階のアテンションメカニズムはアイテムの埋め込みとトランザクションの埋め込みの両方を統合して、トランザクション内およびトランザクション間依存関係の両方を組み込んだ注意深いコンテキスト表現を構築する。
学習したコンテキスト表現により、HATEは次の項目を推奨する。
2つの実世界のトランザクションデータセットに対する実験的評価は、HATEが推奨精度で最先端の手法を著しく上回っていることを示している。
関連論文リスト
- From Alignment to Entailment: A Unified Textual Entailment Framework for
Entity Alignment [17.70562397382911]
既存のメソッドは通常、エンティティのトリプルを埋め込みとしてエンコードし、埋め込みの整列を学ぶ。
我々は両トリプルを統一されたテキストシーケンスに変換し、EAタスクを双方向のテキストエンタテインメントタスクとしてモデル化する。
提案手法は,エンティティ間の2種類の情報の統合相関パターンを捕捉し,元のエンティティ情報間のきめ細かい相互作用を明示的にモデル化する。
論文 参考訳(メタデータ) (2023-05-19T08:06:50Z) - MAVEN-ERE: A Unified Large-scale Dataset for Event Coreference,
Temporal, Causal, and Subevent Relation Extraction [78.61546292830081]
アノテーションを改良した大規模EREデータセットMAVEN-EREを構築した。
103,193個のイベント・コア・チェイン、1,216,217個の時間関係、57,992個の因果関係、15,841個の部分関係を含む。
実験の結果,MAVEN-ERE上でのEREは極めて困難であり,共同学習との相互関係を考慮すれば性能が向上することが示された。
論文 参考訳(メタデータ) (2022-11-14T13:34:49Z) - Sequential Recommendation with Auxiliary Item Relationships via
Multi-Relational Transformer [74.64431400185106]
逐次レコメンデーション(SR)のための補助項目関係をモデル化可能なマルチリレーショナルトランスを提案する。
具体的には,任意の項目関係と項目関係の重み付けを組み込んだ新たな自己注意モジュールを提案する。
第3に、シーケンス間アイテム関係ペアに対して、新しいシーケンス間アイテムモデリングモジュールを導入する。
論文 参考訳(メタデータ) (2022-10-24T19:49:17Z) - Relational Action Bases: Formalization, Effective Safety Verification,
and Invariants (Extended Version) [67.99023219822564]
我々はリレーショナルアクションベース(RAB)の一般的な枠組みを紹介する。
RABは両方の制限を解除することで既存のモデルを一般化する。
データ対応ビジネスプロセスのベンチマークにおいて、このアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2022-08-12T17:03:50Z) - Multi-Behavior Sequential Recommendation with Temporal Graph Transformer [66.10169268762014]
マルチビヘイビア・インタラクティブなパターンを意識した動的ユーザ・イテム関係学習に取り組む。
本稿では,動的短期および長期のユーザ・イテム対話パターンを共同でキャプチャする,TGT(Temporal Graph Transformer)レコメンデーションフレームワークを提案する。
論文 参考訳(メタデータ) (2022-06-06T15:42:54Z) - Informed Multi-context Entity Alignment [27.679124991733907]
Informed Multi-context Entity Alignment (IMEA)モデルを提案する。
特にTransformerを導入し、関係、経路、近傍のコンテキストを柔軟にキャプチャする。
総論的推論は、埋め込み類似性と関係性/整合性の両方の機能に基づいてアライメント確率を推定するために用いられる。
いくつかのベンチマークデータセットの結果は、既存の最先端エンティティアライメント手法と比較して、IMEAモデルの優位性を示している。
論文 参考訳(メタデータ) (2022-01-02T06:29:30Z) - Multiplex Behavioral Relation Learning for Recommendation via Memory
Augmented Transformer Network [25.563806871858073]
本研究では,メモリ拡張トランスフォーマーネットワーク(MATN)を提案する。
MATNフレームワークでは、まずトランスフォーマーに基づくマルチビヘイビア関係エンコーダを開発し、学習された相互作用表現をクロスタイプ行動関係を反映させる。
MATNをスーパーチャージするメモリアテンションネットワークを提案し、異なる種類の振る舞いのコンテキスト信号をカテゴリ固有の潜在埋め込み空間にキャプチャする。
論文 参考訳(メタデータ) (2021-10-08T09:54:43Z) - 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)
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。