論文の概要: Modeling Long-Term and Short-Term Interests with Parallel Attentions for Session-based Recommendation

• arxiv url: http://arxiv.org/abs/2006.15346v2
• Date: Fri, 24 Jul 2020 06:43:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-16 08:18:26.300879
• Title: Modeling Long-Term and Short-Term Interests with Parallel Attentions 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並列注意による長期的・短期的関心のモデル化
• Authors: Jing Zhu, Yanan Xu and Yanmin Zhu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 17.092823992007794
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The aim of session-based recommendation is to predict the users' next clicked item, which is a challenging task due to the inherent uncertainty in user behaviors and anonymous implicit feedback information. A powerful session-based recommender can typically explore the users' evolving interests (i.e., a combination of his/her long-term and short-term interests). Recent advances in attention mechanisms have led to state-of-the-art methods for solving this task. However, there are two main drawbacks. First, most of the attention-based methods only simply utilize the last clicked item to represent the user's short-term interest ignoring the temporal information and behavior context, which may fail to capture the recent preference of users comprehensively. Second, current studies typically think long-term and short-term interests as equally important, but the importance of them should be user-specific. Therefore, we propose a novel Parallel Attention Network model (PAN) for Session-based Recommendation. Specifically, we propose a novel time-aware attention mechanism to learn user's short-term interest by taking into account the contextual information and temporal signals simultaneously. Besides, we introduce a gated fusion method that adaptively integrates the user's long-term and short-term preferences to generate the hybrid interest representation. Experiments on the three real-world datasets show that PAN achieves obvious improvements than the state-of-the-art methods.
• Abstract（参考訳）: セッションベースのリコメンデーションの目的は、ユーザの行動に固有の不確実性や匿名の暗黙のフィードバック情報のために、ユーザの次のクリック項目を予測することである。 強力な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(すなわち、彼の長期的な関心と短期的な関心の組み合わせ)を探索することができる。 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。 しかし、主な欠点は2つある。 まず、注意に基づく手法のほとんどは、時間的情報や行動文脈を無視したユーザの短期的関心を表すために、最後にクリックした項目のみを利用する。 第二に、最近の研究では、長期的利益と短期的利益は同等に重要であると考えているが、それらの重要性はユーザー固有のものであるべきである。 そこで,セッションベース推薦のための並列注意ネットワークモデル(PAN)を提案する。 具体的には,コンテキスト情報と時間信号を同時に考慮し,ユーザの短期関心を学習するための新しい時間認識注意機構を提案する。 さらに,ユーザの長期的および短期的嗜好を適応的に統合し,ハイブリッドな興味表現を生成するゲート型融合手法を提案する。 3つの実世界のデータセットの実験によると、PANは最先端の手法よりも明らかに改善されている。

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)
• Retrieval Augmentation via User Interest Clustering [57.63883506013693]
  インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。 本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。 当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
  論文  参考訳（メタデータ） (2024-08-07T16:35:10Z)
• Price DOES Matter! Modeling Price and Interest Preferences in Session-based Recommendation [55.0391061198924]
  セッションベースのレコメンデーションは、匿名ユーザが自分の短い行動シーケンスに基づいて購入したいアイテムを予測することを目的としている。 セッションベースのレコメンデーションの価格設定を組み込むのは簡単ではない。 セッションベースレコメンデーションのためのCoHHN(Co-guided Heterogeneous Hypergraph Network)を提案する。
  論文  参考訳（メタデータ） (2022-05-09T10:47:15Z)
• 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)
• 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)
• Dynamic Embeddings for Interaction Prediction [2.5758502140236024]
  推薦システム(RS)では、ユーザが対話する次の項目を予測することが、ユーザの保持に不可欠である。 近年,ユーザとアイテム間の相互相互作用を個別のユーザとアイテムの埋め込みを用いてモデル化する手法の有効性が示されている。 本稿では,DeePRedと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-11-10T16:04:46Z)
• MRIF: Multi-resolution Interest Fusion for Recommendation [0.0]
  本稿では,ユーザの利害関係を考慮に入れた多分解能利害融合モデル(MRIF)を提案する。 提案モデルでは,ユーザの興味の動的変化を異なる時間範囲で捉えることができ,マルチ解像度のユーザ関心を組み合わせて予測を行う効果的な方法を提供する。
  論文  参考訳（メタデータ） (2020-07-08T02:32:15Z)
• Sequential Recommender via Time-aware Attentive Memory Network [67.26862011527986]
  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。
  論文  参考訳（メタデータ） (2020-05-18T11:29:38Z)

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。