Fugu-MT 論文翻訳(概要): Long-tail Session-based Recommendation

論文の概要: Long-tail Session-based Recommendation

arxiv url: http://arxiv.org/abs/2007.12329v2
Date: Tue, 4 Aug 2020 02:00:35 GMT
ステータス: 処理完了
システム内更新日: 2022-11-07 07:06:01.134311
Title: Long-tail Session-based Recommendation
Title（参考訳）: ロングテールセッションベース勧告
Authors: Siyi Liu and Yujia Zheng
Abstract要約: 本稿では,長期推薦性能を向上させるため,新しいネットワークアーキテクチャであるTailNetを提案する。そこで,TailNetでは,2種類の項目間のユーザの好みを判断し,リコメンデーションをソフトに調整しパーソナライズする手法を提案する。
参考スコア（独自算出の注目度）: 7.832914615902803
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Session-based recommendation focuses on the prediction of user actions based on anonymous sessions and is a necessary method in the lack of user historical data. However, none of the existing session-based recommendation methods explicitly takes the long-tail recommendation into consideration, which plays an important role in improving the diversity of recommendation and producing the serendipity. As the distribution of items with long-tail is prevalent in session-based recommendation scenarios (e.g., e-commerce, music, and TV program recommendations), more attention should be put on the long-tail session-based recommendation. In this paper, we propose a novel network architecture, namely TailNet, to improve long-tail recommendation performance, while maintaining competitive accuracy performance compared with other methods. We start by classifying items into short-head (popular) and long-tail (niche) items based on click frequency. Then a novel is proposed and applied in TailNet to determine user preference between two types of items, so as to softly adjust and personalize recommendations. Extensive experiments on two real-world datasets verify the superiority of our method compared with state-of-the-art works.
Abstract（参考訳）: セッションベースのレコメンデーションは匿名セッションに基づくユーザアクションの予測に焦点を当てており、ユーザ履歴データがない場合に必須の方法である。しかし、既存のセッションベースのレコメンデーション方法はいずれも、リコメンデーションの多様性の向上とセレンディピティーの創出に重要な役割を果たすロングテールレコメンデーションを明示的に考慮していない。セッションベースのレコメンデーションシナリオ(eコマース、音楽、テレビ番組レコメンデーションなど)では、ロングテールのアイテムの流通が一般的であるため、ロングテールのレコメンデーションにもっと注意を払わなければならない。本稿では,他の手法と比較して競争精度を保ちながら,長期推薦性能を向上させる新しいネットワークアーキテクチャ,すなわちTailNetを提案する。まず、クリック頻度に基づいて、アイテムをショートヘッド(人気)とロングテール(ニッチ)に分類する。次に, 2 種類の項目間のユーザの嗜好を判断するためにtailnet で新規の提案と適用を行い,レコメンデーションをソフトに調整し,パーソナライズする。 2つの実世界のデータセットに対する大規模な実験は、最先端の研究と比較して、我々の手法の優位性を検証する。

関連論文リスト

Preference Diffusion for Recommendation [50.8692409346126]
DMベースのレコメンデータに適した最適化対象であるPreferDiffを提案する。 PreferDiffは、BPRをログライクなランキング目標に変換することで、ユーザの好みをよりよく把握する。これはDMベースのレコメンデーション向けに特別に設計された、パーソナライズされたランキングの損失である。
論文参考訳（メタデータ） (2024-10-17T01:02:04Z)
How to Diversify any Personalized Recommender? A User-centric Pre-processing approach [0.0]
推薦性能を維持しつつ,Top-Nレコメンデーションの多様性を向上させるための新しいアプローチを提案する。当社のアプローチでは,ユーザを幅広いコンテンツカテゴリやトピックに公開するための,ユーザ中心の事前処理戦略を採用しています。
論文参考訳（メタデータ） (2024-05-03T15:02:55Z)
A Large Language Model Enhanced Sequential Recommender for Joint Video and Comment Recommendation [77.42486522565295]
我々は、パーソナライズされたビデオとコメントのレコメンデーションを共同で行うLSVCRと呼ばれる新しいレコメンデーション手法を提案する。提案手法は,逐次レコメンデーション(SR)モデルと補足型大規模言語モデル(LLM)レコメンデーションという2つの重要なコンポーネントから構成される。特に、コメント視聴時間の4.13%が大幅に向上した。
論文参考訳（メタデータ） (2024-03-20T13:14:29Z)
Personalizing Intervened Network for Long-tailed Sequential User Behavior Modeling [66.02953670238647]
タイルユーザーは、共同トレーニング後のヘッドユーザーよりも大幅に品質の低いレコメンデーションに悩まされる。テールユーザーで個別に訓練されたモデルは、限られたデータのために依然として劣った結果が得られる。本稿では,テールユーザの推薦性能を大幅に向上させる新しい手法を提案する。
論文参考訳（メタデータ） (2022-08-19T02:50:19Z)
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)
Improving Long-Term Metrics in Recommendation Systems using Short-Horizon Offline RL [56.20835219296896]
セッションベースのレコメンデーションシナリオについて検討し、シーケンシャルなインタラクションの間、ユーザに対してアイテムを推薦し、長期的なユーティリティを改善する。我々は、セッション間のポリシーによる分散シフトを近似するショートホライズンポリシー改善(SHPI)と呼ばれる新しいバッチRLアルゴリズムを開発した。
論文参考訳（メタデータ） (2021-06-01T15:58:05Z)
Session-aware Recommendation: A Surprising Quest for the State-of-the-art [6.617487928813376]
セッション対応レコメンデーションは、ユーザの長期的な好みに応じてパーソナライズすることができる。我々は最近のセッション認識アルゴリズムを互いに比較し、セッションベースの推薦アルゴリズムと比較した。我々の研究は、より洗練されたセッション対応レコメンデーションアルゴリズムには、まだ大きな可能性を秘めていることを示している。
論文参考訳（メタデータ） (2020-11-06T15:18:01Z)
Comprehensive Empirical Evaluation of Deep Learning Approaches for Session-based Recommendation in E-Commerce [38.42250061908039]
セッションベースのレコメンデーションでは、リコメンデーションシステムは、同じセッション内でユーザが行ったイベントの順序をカウントして、他のアイテムを予測し、支持する。本稿では,セッションベースレコメンデーションで使用される最先端のディープラーニングアプローチについて,包括的に評価する。
論文参考訳（メタデータ） (2020-10-17T17:22:35Z)
Towards Comprehensive Recommender Systems: Time-Aware UnifiedcRecommendations Based on Listwise Ranking of Implicit Cross-Network Data [33.17802459749589]
我々は,コールドスタートとデータ空間の問題を軽減するために,新しい深層学習に基づく統合型クロスネットワークソリューションを提案する。提案手法は精度,ノベルティ,多様性の点で優れていることを示す。人気の高いMovieLensデータセットを用いて行った実験から,提案手法が既存の最先端ランキング技術より優れていることが示唆された。
論文参考訳（メタデータ） (2020-08-25T08:08:03Z)
Sequential recommendation with metric models based on frequent sequences [0.688204255655161]
提案手法では,ユーザ履歴の最も関連性の高い部分を特定するために,頻繁なシーケンスを用いることを提案する。最も健全なアイテムは、ユーザの好みとシーケンシャルなダイナミクスに基づいてアイテムを埋め込む統合されたメトリックモデルで使用される。
論文参考訳（メタデータ） (2020-08-12T22:08:04Z)
A Bayesian Approach to Conversational Recommendation Systems [60.12942570608859]
ベイズ的アプローチに基づく会話推薦システムを提案する。エンターテイナーを予約するオンラインプラットフォームであるemphstagend.comへのこのアプローチの適用に基づくケーススタディについて論じる。
論文参考訳（メタデータ） (2020-02-12T15:59:31Z)

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。