論文の概要: Incorporating User Micro-behaviors and Item Knowledge into Multi-task
Learning for Session-based Recommendation
- arxiv url: http://arxiv.org/abs/2006.06922v1
- Date: Fri, 12 Jun 2020 03:06:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 04:46:33.732240
- Title: Incorporating User Micro-behaviors and Item Knowledge into Multi-task
Learning for Session-based Recommendation
- Title（参考訳）: セッションベースレコメンデーションのためのマルチタスク学習へのユーザ・マイクロ行動と項目知識の導入
- Authors: Wenjing Meng and Deqing Yang and Yanghua Xiao
- Abstract要約: セッションベースのレコメンデーション(SR)は、与えられたセッションに基づいて次に対話されたアイテムを予測することを目的としている。
ほとんどの既存のSRモデルは、あるユーザが対話するセッションにおける連続したアイテムの活用にのみ焦点をあてている。
セッションベースレコメンデーションのためのマルチタスク学習にユーザマイクロビヘイビアとアイテム知識を組み込んだ新しいSRモデルMKM-SRを提案する。
- 参考スコア（独自算出の注目度）: 18.516121495514007
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Session-based recommendation (SR) has become an important and popular
component of various e-commerce platforms, which aims to predict the next
interacted item based on a given session. Most of existing SR models only focus
on exploiting the consecutive items in a session interacted by a certain user,
to capture the transition pattern among the items. Although some of them have
been proven effective, the following two insights are often neglected. First, a
user's micro-behaviors, such as the manner in which the user locates an item,
the activities that the user commits on an item (e.g., reading comments, adding
to cart), offer fine-grained and deep understanding of the user's preference.
Second, the item attributes, also known as item knowledge, provide side
information to model the transition pattern among interacted items and
alleviate the data sparsity problem. These insights motivate us to propose a
novel SR model MKM-SR in this paper, which incorporates user Micro-behaviors
and item Knowledge into Multi-task learning for Session-based Recommendation.
Specifically, a given session is modeled on micro-behavior level in MKM-SR,
i.e., with a sequence of item-operation pairs rather than a sequence of items,
to capture the transition pattern in the session sufficiently. Furthermore, we
propose a multi-task learning paradigm to involve learning knowledge embeddings
which plays a role as an auxiliary task to promote the major task of SR. It
enables our model to obtain better session representations, resulting in more
precise SR recommendation results. The extensive evaluations on two benchmark
datasets demonstrate MKM-SR's superiority over the state-of-the-art SR models,
justifying the strategy of incorporating knowledge learning.
- Abstract（参考訳）: セッションベースのレコメンデーション(SR)は、セッションに基づいて次のインタラクションアイテムを予測することを目的として、さまざまなEコマースプラットフォームの重要かつ人気のあるコンポーネントとなっている。
既存のSRモデルのほとんどは、あるユーザが対話するセッションにおける連続したアイテムの活用のみに焦点を当て、アイテム間の遷移パターンをキャプチャする。
いくつかは有効性が証明されているが、以下の2つの洞察はしばしば無視される。
まず、利用者のマイクロビヘイビア、例えば、利用者がアイテムを見つける方法、利用者がアイテムにコミットする活動(例えば、コメントを読み、カートに追加するなど)は、ユーザの好みをきめ細かな、より深く理解する。
第二に、アイテム属性はアイテム知識としても知られ、相互作用したアイテム間の遷移パターンをモデル化し、データの疎性問題を緩和する側情報を提供する。
これらの知見は,セッションベースレコメンデーションのためのマルチタスク学習にユーザによるマイクロビヘイビアとアイテム知識を取り入れた,新しいSRモデルMKM-SRを提案する動機となっている。
具体的には、あるセッションはMKM-SRのマイクロビヘイビアレベル、すなわち一連のアイテムではなく一連のアイテム操作ペアでモデル化され、セッションの遷移パターンを十分にキャプチャする。
さらに,SRの主要なタスクを促進する補助タスクとしての役割を担う学習知識の埋め込みを包含するマルチタスク学習パラダイムを提案する。
これにより,セッション表現の精度が向上し,SR推薦結果の精度が向上する。
2つのベンチマークデータセットに対する広範な評価は、MKM-SRが最先端のSRモデルよりも優れていることを示している。
関連論文リスト
- LLM-assisted Explicit and Implicit Multi-interest Learning Framework for Sequential Recommendation [50.98046887582194]
本研究では,ユーザの興味を2つのレベル – 行動と意味論 – でモデル化する,明示的で暗黙的な多目的学習フレームワークを提案する。
提案するEIMFフレームワークは,小型モデルとLLMを効果的に組み合わせ,多目的モデリングの精度を向上させる。
論文 参考訳（メタデータ） (2024-11-14T13:00:23Z) - LLM-ESR: Large Language Models Enhancement for Long-tailed Sequential Recommendation [58.04939553630209]
現実世界のシステムでは、ほとんどのユーザーはほんの一握りのアイテムしか扱わないが、ほとんどのアイテムは滅多に消費されない。
これら2つの課題は、ロングテールユーザーとロングテールアイテムの課題として知られ、しばしば既存のシークエンシャルレコメンデーションシステムに困難をもたらす。
本稿では,これらの課題に対処するため,Large Language Models Enhancement framework for Sequential Recommendation (LLM-ESR)を提案する。
論文 参考訳（メタデータ） (2024-05-31T07:24:42Z) - Knowledge Enhancement for Multi-Behavior Contrastive Recommendation [39.50243004656453]
本稿では,KMCLR(Knowledge Enhancement Multi-Behavior Contrastive Learning Recommendation)フレームワークを提案する。
本研究では,ユーザのパーソナライズされた行動情報を抽出し,ユーザ埋め込み強化のためのマルチ行動学習モジュールを設計する。
最適化段階では、粗粒度共通性とユーザの複数行動間の微粒度差をモデル化し、推奨効果をさらに改善する。
論文 参考訳（メタデータ） (2023-01-13T06:24:33Z) - M2TRec: Metadata-aware Multi-task Transformer for Large-scale and
Cold-start free Session-based Recommendations [9.327321259021236]
セッションベース推薦システム(SBRS)は従来の手法よりも優れた性能を示した。
セッションベースレコメンデーションのためのメタデータ対応マルチタスクトランスフォーマモデルであるM2TRecを提案する。
論文 参考訳（メタデータ） (2022-09-23T19:34:29Z) - SR-GCL: Session-Based Recommendation with Global Context Enhanced
Augmentation in Contrastive Learning [5.346468677221906]
セッションベースのレコメンデーションは、進行中のセッションに基づいて、ユーザの次の振る舞いを予測することを目的としている。
最近の研究は、複雑なアイテム遷移をキャプチャするための注意機構を備えたグラフニューラルネットワークを適用している。
セッションベースレコメンデーションのための新しいコントラスト学習フレームワークSR-GCLを提案する。
論文 参考訳（メタデータ） (2022-09-22T06:18:20Z) - FairSR: Fairness-aware Sequential Recommendation through Multi-Task
Learning with Preference Graph Embeddings [14.543386085745192]
シークエンシャルレコメンデーションは、ユーザとイテムの相互作用の時間的ダイナミクスから学び、次のものを予測する。
本稿では,SRとアルゴリズムフェアネスの結婚を実現することを目的とする。
本稿では,新たな基準であるインタラクションフェアネスを定義した,新規なフェアネス対応シーケンシャルレコメンデーションタスクを提案する。
論文 参考訳（メタデータ） (2022-04-30T17:33:51Z) - 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) - Knowledge-Enhanced Hierarchical Graph Transformer Network for
Multi-Behavior Recommendation [56.12499090935242]
本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。
KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。
KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2021-10-08T09:44:00Z) - Learning Dual Dynamic Representations on Time-Sliced User-Item
Interaction Graphs for Sequential Recommendation [62.30552176649873]
シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。
両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。
モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
論文 参考訳（メタデータ） (2021-09-24T07:44:27Z) - TAGNN: Target Attentive Graph Neural Networks for Session-based
Recommendation [66.04457457299218]
セッションベースレコメンデーションのための新しいターゲット注意グラフニューラルネットワーク(TAGNN)モデルを提案する。
TAGNNでは、ターゲット・アウェア・アテンションは、様々なターゲット項目に関して異なるユーザ関心を適応的に活性化する。
学習した関心表現ベクトルは、異なる対象項目によって変化し、モデルの表現性を大幅に改善する。
論文 参考訳（メタデータ） (2020-05-06T14:17:05Z)
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。