論文の概要: PinnerSage: Multi-Modal User Embedding Framework for Recommendations at
Pinterest
- arxiv url: http://arxiv.org/abs/2007.03634v1
- Date: Tue, 7 Jul 2020 17:13:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-12 19:25:26.253913
- Title: PinnerSage: Multi-Modal User Embedding Framework for Recommendations at
Pinterest
- Title(参考訳): PinnerSage:Pinterestのレコメンデーションのためのマルチモーダルユーザ埋め込みフレームワーク
- Authors: Aditya Pal, Chantat Eksombatchai, Yitong Zhou, Bo Zhao, Charles
Rosenberg, Jure Leskovec
- Abstract要約: PinnerSageはエンド・ツー・エンドのレコメンデーションシステムで、マルチモーダル・埋め込みを通じて各ユーザーを表現する。
オフラインおよびオンラインA/B実験を複数実施し,本手法が単一埋め込み法より有意に優れていることを示す。
- 参考スコア(独自算出の注目度): 54.56236567783225
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Latent user representations are widely adopted in the tech industry for
powering personalized recommender systems. Most prior work infers a single high
dimensional embedding to represent a user, which is a good starting point but
falls short in delivering a full understanding of the user's interests. In this
work, we introduce PinnerSage, an end-to-end recommender system that represents
each user via multi-modal embeddings and leverages this rich representation of
users to provides high quality personalized recommendations. PinnerSage
achieves this by clustering users' actions into conceptually coherent clusters
with the help of a hierarchical clustering method (Ward) and summarizes the
clusters via representative pins (Medoids) for efficiency and interpretability.
PinnerSage is deployed in production at Pinterest and we outline the several
design decisions that makes it run seamlessly at a very large scale. We conduct
several offline and online A/B experiments to show that our method
significantly outperforms single embedding methods.
- Abstract(参考訳): 潜在ユーザ表現は、パーソナライズされたレコメンデーションシステムを動かすために、テクノロジ業界で広く採用されている。
ほとんどの先行作業は、ユーザを表現するために単一の高次元埋め込みを推測するが、これは良い出発点であるが、ユーザの興味を完全に理解するには不足している。
本稿では,エンド・ツー・エンドのレコメンデーションシステムであるpinnersageを紹介し,マルチモーダル埋め込みによって各ユーザを表現するとともに,このリッチなユーザ表現を活用して,高品質なパーソナライズドレコメンデーションを提供する。
pinnersageは、階層的クラスタリング(ward)の助けを借りて、ユーザのアクションを概念的に一貫性のあるクラスタにクラスタリングし、効率と解釈性のために代表ピン(medoids)を介してクラスタをまとめる。
pinnersageはpinterestのプロダクションにデプロイされ、私たちは、非常に大規模なシームレスに実行するいくつかの設計決定を概説します。
オフラインおよびオンラインのa/b実験を複数実施し,本手法が単一組込みメソッドを大幅に上回ることを示す。
関連論文リスト
- Generalized User Representations for Transfer Learning [6.953653891411339]
本稿では,大規模レコメンデーションシステムにおけるユーザ表現のための新しいフレームワークを提案する。
提案手法は,表現学習と伝達学習を組み合わせた2段階の手法を用いる。
提案するフレームワークは,代替手法と比較して,インフラコストを大幅に削減できることを示す。
論文 参考訳(メタデータ) (2024-03-01T15:05:21Z) - PLIERS: a Popularity-Based Recommender System for Content Dissemination
in Online Social Networks [5.505634045241288]
PLIERSと呼ばれる新しいタグベースのレコメンデーションシステムを提案する。
これは、ユーザーが主にアイテムやタグに興味を持ち、既に所有しているものと同様の人気があるという仮定に依存している。
PLIERSは、アルゴリズムと推奨項目のパーソナライズレベルとの良好なトレードオフを達成することを目的としている。
論文 参考訳(メタデータ) (2023-07-06T09:04:58Z) - The Minority Matters: A Diversity-Promoting Collaborative Metric
Learning Algorithm [154.47590401735323]
CML(Collaborative Metric Learning)は、リコメンデーションシステムにおいて人気のある手法として最近登場した。
本稿では,ユーザが複数のカテゴリの関心を持つ,困難なシナリオに焦点をあてる。
textitDiversity-Promoting Collaborative Metric Learning (DPCML) 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) (2022-09-30T08:02:18Z) - PARSRec: Explainable Personalized Attention-fused Recurrent Sequential
Recommendation Using Session Partial Actions [0.5801044612920815]
共通のパターンと個人の行動に依存したアーキテクチャを提案する。
Nielsen Consumer Panel データセットの実証結果は,提案手法が最大27.9%のパフォーマンス向上を達成したことを示唆している。
論文 参考訳(メタデータ) (2022-09-16T12:07:43Z) - Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。
OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。
我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
論文 参考訳(メタデータ) (2022-09-12T09:19:22Z) - Everyone's Preference Changes Differently: Weighted Multi-Interest
Retrieval Model [18.109035867113217]
MIPモデル(Multi-Interest Preference)は、ユーザのシーケンシャルエンゲージメントをより効果的に利用することで、ユーザにとってマルチエンゲージメントを生み出すアプローチである。
本手法の有効性を実証するため,様々な産業規模のデータセットを用いて大規模な実験を行った。
論文 参考訳(メタデータ) (2022-07-14T04:29:54Z) - 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) - Diversity Regularized Interests Modeling for Recommender Systems [25.339169652217844]
リコメンダーシステムのための多様性正規化利子モデリング(DRIM)の新しい方法を提案する。
ユーザの興味はある程度の差異を持つべきであり,複数のユーザ関心ベクトルを分離する多様性正規化セパレータとして,3つの戦略を導入する。
論文 参考訳(メタデータ) (2021-03-23T09:10:37Z) - 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) - Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
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。
論文 参考訳(メタデータ) (2020-05-19T10:18:43Z)
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。