論文の概要: S^3-Rec: Self-Supervised Learning for Sequential Recommendation with
Mutual Information Maximization
- arxiv url: http://arxiv.org/abs/2008.07873v1
- Date: Tue, 18 Aug 2020 11:44:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 22:15:50.543023
- Title: S^3-Rec: Self-Supervised Learning for Sequential Recommendation with
Mutual Information Maximization
- Title（参考訳）: S^3-Rec:相互情報の最大化によるシーケンス推薦のための自己教師付き学習
- Authors: Kun Zhou, Hui Wang, Wayne Xin Zhao, Yutao Zhu, Sirui Wang, Fuzheng
Zhang, Zhongyuan Wang and Ji-Rong Wen
- Abstract要約: 本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。
そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。
6つの実世界のデータセットで実施された大規模な実験は、既存の最先端手法よりも提案手法が優れていることを示す。
- 参考スコア（独自算出の注目度）: 104.87483578308526
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, significant progress has been made in sequential recommendation
with deep learning. Existing neural sequential recommendation models usually
rely on the item prediction loss to learn model parameters or data
representations. However, the model trained with this loss is prone to suffer
from data sparsity problem. Since it overemphasizes the final performance, the
association or fusion between context data and sequence data has not been well
captured and utilized for sequential recommendation. To tackle this problem, we
propose the model S^3-Rec, which stands for Self-Supervised learning for
Sequential Recommendation, based on the self-attentive neural architecture. The
main idea of our approach is to utilize the intrinsic data correlation to
derive self-supervision signals and enhance the data representations via
pre-training methods for improving sequential recommendation. For our task, we
devise four auxiliary self-supervised objectives to learn the correlations
among attribute, item, subsequence, and sequence by utilizing the mutual
information maximization (MIM) principle. MIM provides a unified way to
characterize the correlation between different types of data, which is
particularly suitable in our scenario. Extensive experiments conducted on six
real-world datasets demonstrate the superiority of our proposed method over
existing state-of-the-art methods, especially when only limited training data
is available. Besides, we extend our self-supervised learning method to other
recommendation models, which also improve their performance.
- Abstract（参考訳）: 近年,深層学習による逐次的な推奨が進んでいる。
既存のニューラルネットワークシーケンシャルレコメンデーションモデルは通常、モデルパラメータやデータ表現を学ぶためにアイテム予測損失に依存する。
しかし、この損失でトレーニングされたモデルは、データスパーシティの問題に苦しむ傾向があります。
最終性能を過度に強調するため、コンテキストデータとシーケンスデータとの関連や融合は十分に捉えられず、シーケンシャルなレコメンデーションに利用されてきた。
この問題に対処するため,本論文では,自己追跡型ニューラルネットワークに基づく逐次推薦のための自己教師あり学習のモデルであるs^3-recを提案する。
提案手法の主な考え方は,本質的なデータ相関を利用して自己超越信号を導出し,事前学習手法を用いてデータ表現を強化し,シーケンシャルレコメンデーションを改善することである。
本研究では, 相互情報最大化(mim)の原理を用いて属性, 項目, サブシーケンス, シーケンス間の相関を学習するために, 4つの補助的自己教師付き目標を考案する。
MIMは、異なるタイプのデータ間の相関を特徴付ける統一的な方法を提供する。
6つの実世界のデータセットで実施された大規模な実験は、既存の最先端手法よりも提案手法が優れていることを示す。
さらに, 自己教師あり学習法を他の推薦モデルにも拡張し, その性能も向上した。
関連論文リスト
- Forewarned is Forearmed: Leveraging LLMs for Data Synthesis through Failure-Inducing Exploration [90.41908331897639]
大規模言語モデル(LLM)は、多種多様な高品質なタスク特化データのトレーニングの恩恵を受けている。
本稿では,効果的なトレーニングサンプルを自動生成する新しい手法であるReverseGenを提案する。
論文 参考訳（メタデータ） (2024-10-22T06:43:28Z) - Semantic-Enhanced Relational Metric Learning for Recommender Systems [27.330164862413184]
近年,知識グラフの翻訳機構に触発された推薦コミュニティにおいて,計量学習手法が注目されている。
本稿では,推薦システムにおける問題に対処するためのセマンティック拡張メトリックラーニングフレームワークを提案する。
具体的には、まず、豊富な特徴とパーソナライズされたユーザー嗜好を含む対象レビューから意味信号を抽出する。
次に、抽出した意味信号を利用して、新しい回帰モデルを設計し、元の関係に基づくトレーニングプロセスの識別能力を向上させる。
論文 参考訳（メタデータ） (2024-06-07T11:54:50Z) - Learnable Model Augmentation Self-Supervised Learning for Sequential
Recommendation [36.81597777126902]
シーケンシャルレコメンデーションのための学習可能なモデル拡張型自己教師型学習(LMA4Rec)を提案する。
LMA4Recはまず、ビューを生成するためにデータ拡張の補足方法としてモデル拡張を利用する。
次に、コントラストビュー間で自己教師付き学習を使用して、オリジナルのシーケンスから自己教師付き信号を抽出する。
論文 参考訳（メタデータ） (2022-04-21T14:30:56Z) - Improving Contrastive Learning with Model Augmentation [123.05700988581806]
このシーケンシャルレコメンデーションは,ユーザ行動における次の項目を予測することを目的としている。
シーケンスにおけるデータの分散性やノイズの問題から,新たな自己教師付き学習(SSL)パラダイムが提案され,性能が向上した。
論文 参考訳（メタデータ） (2022-03-25T06:12:58Z) - WSLRec: Weakly Supervised Learning for Neural Sequential Recommendation
Models [24.455665093145818]
我々は、WSLRecと呼ばれる新しいモデルに依存しないトレーニング手法を提案し、3段階のフレームワーク(事前学習、トップ$k$マイニング、本質的、微調整)を採用する。
WSLRec は、BR や ItemCF のようなモデルフリーメソッドから、余分な弱い監督のモデルを事前訓練することで、不完全性の問題を解決すると同時に、最上位の$k のマイニングを活用して、微調整のための弱い監督の信頼性の高いユーザ・イテム関連を検査することで、不正確な問題を解消する。
論文 参考訳（メタデータ） (2022-02-28T08:55:12Z) - Top-N Recommendation with Counterfactual User Preference Simulation [26.597102553608348]
ユーザーランキングに基づく好みの学習を目的としたTop-Nレコメンデーションは、長い間、広範囲のアプリケーションにおいて基本的な問題だった。
本稿では,データ不足問題に対処するため,因果推論フレームワーク内での推薦タスクの再構築を提案する。
論文 参考訳（メタデータ） (2021-09-02T14:28:46Z) - Contrastive Self-supervised Sequential Recommendation with Robust
Augmentation [101.25762166231904]
Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。
データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。
逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
論文 参考訳（メタデータ） (2021-08-14T07:15:25Z) - DEALIO: Data-Efficient Adversarial Learning for Imitation from
Observation [57.358212277226315]
観察ifoからの模倣学習において、学習エージェントは、実演者の生成した制御信号にアクセスせずに、実演行動の観察のみを用いて実演エージェントを模倣しようとする。
近年、逆模倣学習に基づく手法は、ifO問題に対する最先端のパフォーマンスをもたらすが、データ非効率でモデルなしの強化学習アルゴリズムに依存するため、サンプルの複雑さに悩まされることが多い。
この問題は、サンプルの収集が時間、エネルギー、およびリスクの面で高いコストを被る可能性がある現実世界の設定に展開することは非現実的です。
よりデータ効率の高いifOアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-31T23:46:32Z) - Relation-Guided Representation Learning [53.60351496449232]
本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。
私たちのフレームワークは、サンプル間の関係をよく保存します。
サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
論文 参考訳（メタデータ） (2020-07-11T10:57:45Z)
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。