論文の概要: Many-to-one Recurrent Neural Network for Session-based Recommendation

• arxiv url: http://arxiv.org/abs/2008.11136v1
• Date: Tue, 25 Aug 2020 16:07:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 03:25:44.120952
• Title: Many-to-one Recurrent Neural Network 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多対一リカレントニューラルネットワーク
• Authors: Amine Dadoun (1 and 2), Raphael Troncy (1) ((1) Eurecom, (2) Amadeus SAS)
• Abstract要約: 本稿では、RecSys Challenge 2019に対するD2KLabチームのアプローチを紹介する。 ユーザセッションに基づいた宿泊を推奨するタスクに重点を置いている。 本稿では,ユーザが宿泊施設をクリックした確率を学習する多対一の繰り返しニューラルネットワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents the D2KLab team's approach to the RecSys Challenge 2019 which focuses on the task of recommending accommodations based on user sessions. What is the feeling of a person who says "Rooms of the hotel are enormous, staff are friendly and efficient"? It is positive. Similarly to the sequence of words in a sentence where one can affirm what the feeling is, analysing a sequence of actions performed by a user in a website can lead to predict what will be the item the user will add to his basket at the end of the shopping session. We propose to use a many-to-one recurrent neural network that learns the probability that a user will click on an accommodation based on the sequence of actions he has performed during his browsing session. More specifically, we combine a rule-based algorithm with a Gated Recurrent Unit RNN in order to sort the list of accommodations that is shown to the user. We optimized the RNN on a validation set, tuning the hyper-parameters such as the learning rate, the batch-size and the accommodation embedding size. This analogy with the sentiment analysis task gives promising results. However, it is computationally demanding in the training phase and it needs to be further tuned.
• Abstract（参考訳）: 本稿では,D2KLabチームによるRecSys Challenge 2019へのアプローチについて述べる。 ホテルの屋根は巨大で、スタッフは親しみやすく、効率が良い」という人の気持ちはどうなっていますか。 肯定的です。 感情を肯定できる文中の単語列と同様に、webサイトのユーザが行う一連のアクションを分析して、ショッピングセッションの終わりにユーザがバスケットに追加するアイテムを予測できる。 本稿では,ブラウジングセッション中に行った行動の順序に基づいて,ユーザが宿泊施設をクリックした確率を学習する多対一のリカレントニューラルネットワークを提案する。 より具体的には、ルールベースのアルゴリズムとGated Recurrent Unit RNNを組み合わせることで、ユーザに表示される宿泊施設のリストをソートする。 我々はRNNを検証セットに最適化し、学習率、バッチサイズ、宿泊用埋め込みサイズなどのハイパーパラメータをチューニングした。 この感情分析タスクの類似は、有望な結果をもたらす。 しかし、それは訓練段階で計算的に要求されており、さらに調整する必要がある。

関連論文リスト

• Adapting Job Recommendations to User Preference Drift with Behavioral-Semantic Fusion Learning [49.262407095098645]
  求人推薦システムは、オンライン求職における求職者と求職者の機会の整合に不可欠である。 ユーザは、雇用機会を継続的に確保するために、仕事の好みを調整する傾向があります。 セマンティック情報と行動情報の融合学習を通じてユーザの嗜好をモデル化するセッションベースフレームワークBISTROを提案する。
  論文  参考訳（メタデータ） (2024-06-24T14:38:04Z)
• Dual Intent Enhanced Graph Neural Network for Session-based New Item Recommendation [74.81561396321712]
  セッションベースレコメンデーションのためのデュアルインテント拡張グラフニューラルネットワークを提案する。 我々は,注意機構と履歴データの分布からユーザ意図を学習する。 対応する項目のレコメンデーションスコアを含む新項目確率を出力することにより、より高いスコアを持つ新項目をユーザに推奨する。
  論文  参考訳（メタデータ） (2023-05-10T02:42:12Z)
• PinnerFormer: Sequence Modeling for User Representation at Pinterest [60.335384724891746]
  我々は、ユーザの将来的なエンゲージメントを予測するためにトレーニングされたユーザ表現であるPinnerFormerを紹介する。 従来のアプローチとは異なり、新しい密集した全アクション損失を通じて、モデリングをバッチインフラストラクチャに適応させます。 その結果,1日に1回発生するバッチユーザ埋め込みと,ユーザがアクションを行うたびに発生するリアルタイムユーザ埋め込みとの間には,大きなギャップがあることが判明した。
  論文  参考訳（メタデータ） (2022-05-09T18:26:51Z)
• Modeling Dynamic User Preference via Dictionary Learning for Sequential Recommendation [133.8758914874593]
  ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。 浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。 本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
  論文  参考訳（メタデータ） (2022-04-02T03:23:46Z)
• 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)
• Session-aware Item-combination Recommendation with Transformer Network [22.583356710043066]
  ユーザからのフィードバックとアンロックセッションを予測するために、2つの頭を持つトランスフォーマーベースのネットワークを使用します。 カグルにおける最後の私的リーダーボードでは、分類精度0.39224で第2位にランクインした。
  論文  参考訳（メタデータ） (2021-11-13T17:20:49Z)
• SR-HetGNN:Session-based Recommendation with Heterogeneous Graph Neural Network [20.82060191403763]
  セッションベースレコメンデーションシステムは、前のセッションシーケンスに基づいて、ユーザの次のクリックを予測することを目的としている。 セッション埋め込みを学習するために異種グラフニューラルネットワーク(HetGNN)を用いたセッション推薦手法SR-HetGNNを提案する。 SR-HetGNNは、DigineticaとTmallの2つの実際の大規模データセットに対する広範な実験を通じて、既存の最先端セッションベースのレコメンデーション手法よりも優れていることが示されている。
  論文  参考訳（メタデータ） (2021-08-12T10:12:48Z)
• End-to-End User Behavior Retrieval in Click-Through RatePrediction Model [15.52581453176164]
  本稿では,学習と推論のコストを大幅に削減できる ETA (Locality-sensitive hashing) 法を提案する。 GMV(Gross Merchandise Value)を2段階の長期ユーザシーケンスCTRモデルと比較して3.1%改善した。
  論文  参考訳（メタデータ） (2021-08-10T06:28:29Z)
• Sequence Adaptation via Reinforcement Learning in Recommender Systems [8.909115457491522]
  そこで我々は,SARモデルを提案する。SARモデルは,ユーザとイテムの相互作用のシーケンス長をパーソナライズされた方法で調整する。 さらに,逐次レコメンデーションの精度を批評家ネットワークの予測累積報酬と整合させるために,共同損失関数を最適化する。 実世界の4つのデータセットに対する実験的な評価は,提案モデルがいくつかのベースラインアプローチよりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-31T13:56:46Z)
• Pre-training for low resource speech-to-intent applications [26.093156590824076]
  本稿では,s2i(user-taught speech-to-intent)システムについて述べる。 ユーザ学習システムは、アクションデモによりユーザの音声入力からスクラッチから学習する。 本稿では、エンドツーエンドASRシステムのエンコーダと、以前のNMF/カプセルネットワークベースのユーザ検出デコーダを組み合わせる。
  論文  参考訳（メタデータ） (2021-03-30T20:44:29Z)
• 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。