論文の概要: Interest-Behaviour Multiplicative Network for Resource-limited Recommendation

• arxiv url: http://arxiv.org/abs/2009.13249v4
• Date: Thu, 12 Nov 2020 03:08:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-15 04:30:15.951736
• Title: Interest-Behaviour Multiplicative Network for Resource-limited Recommendation
• Title（参考訳）: 資源限定勧告のための関心行動多元ネットワーク
• Authors: Qianliang Wu and Tong Zhang and Zhen Cui and Jian Yang
• Abstract要約: 本稿では,ユーザとアイテム間の動的接続に基づいて,ユーザの今後のインタラクションを予測するための利害関係乗算ネットワークを提案する。 組込みカートランザクションデータセットとTmallデータセットで性能を検証し、実験結果によりフレームワークの有効性を検証した。
• 参考スコア（独自算出の注目度）: 38.960523686896636
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Resource constraints, e.g. limited product inventory or financial strength, may affect consumers' choices or preferences in some recommendation tasks but are usually ignored in previous recommendation methods. In this paper, we aim to mine the cue of user preferences in resource-limited recommendation tasks, for which purpose we specifically build a large used car transaction dataset possessing resource-limitation characteristics. Accordingly, we propose an interest-behavior multiplicative network to predict the user's future interaction based on dynamic connections between users and items. To describe the user-item connection dynamically, mutually-recursive recurrent neural networks (MRRNNs) are introduced to capture interactive long-term dependencies, and meantime effective representations of users and items are obtained. To further take the resource limitation into consideration, a resource-limited branch is built to specifically explore the influence of resource variation on user preferences. Finally, mutual information is introduced to measure the similarity between the user action and fused features to predict future interaction, where the fused features come from both MRRNNs and resource-limited branches. We test the performance on the built used car transaction dataset as well as the Tmall dataset, and the experimental results verify the effectiveness of our framework.
• Abstract（参考訳）: 資源の制約(商品在庫の制限や財政的な強さなど)は、一部のレコメンデーションタスクにおいて消費者の選択や嗜好に影響を与えるが、通常以前のレコメンデーションメソッドでは無視される。 本稿では,リソース制限リコメンデーションタスクにおけるユーザ嗜好の手がかりを抽出し,リソース制限特性を有する大規模中古車取引データセットを具体的に構築することを目的とする。 そこで本研究では,ユーザとアイテム間の動的接続に基づいて,ユーザの将来的なインタラクションを予測するネットワークを提案する。 ユーザ間接続を動的に記述するために、相互再帰的リカレントニューラルネットワーク(mrrnn)を導入し、対話的長期依存関係をキャプチャし、ユーザとアイテムの効果的な表現を得る。 リソース制限を考慮に入れ、リソース制限ブランチを構築し、リソース変動がユーザの好みに与える影響を具体的に調査する。 最後に、ユーザアクションと融合機能との類似度を測定し、将来的なインタラクションを予測するために相互情報を導入し、融合した機能はmrrnnとリソース制限されたブランチの両方からもたらされる。 我々は,組込み中古車間取引データセットとtmallデータセットの性能をテストし,このフレームワークの有効性を実験的に検証した。

関連論文リスト

• Multi-Behavior Sequential Recommendation with Temporal Graph Transformer [66.10169268762014]
  マルチビヘイビア・インタラクティブなパターンを意識した動的ユーザ・イテム関係学習に取り組む。 本稿では,動的短期および長期のユーザ・イテム対話パターンを共同でキャプチャする,TGT(Temporal Graph Transformer)レコメンデーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-06T15:42:54Z)
• 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)
• Graph Neural Networks with Dynamic and Static Representations for Social Recommendation [13.645346050614855]
  本稿では,ソーシャルレコメンデーション(GNN-DSR)のための動的および静的表現を備えたグラフニューラルネットワークを提案する。 注意機構は、対象ユーザに対するユーザの社会的影響と、所定のアイテムに対する相関項目の影響を集約するために使用される。 3つの実世界のレコメンデータシステムデータセットの実験は、GNN-DSRの有効性を検証する。
  論文  参考訳（メタデータ） (2022-01-26T05:07:17Z)
• Multiplex Behavioral Relation Learning for Recommendation via Memory Augmented Transformer Network [25.563806871858073]
  本研究では,メモリ拡張トランスフォーマーネットワーク(MATN)を提案する。 MATNフレームワークでは、まずトランスフォーマーに基づくマルチビヘイビア関係エンコーダを開発し、学習された相互作用表現をクロスタイプ行動関係を反映させる。 MATNをスーパーチャージするメモリアテンションネットワークを提案し、異なる種類の振る舞いのコンテキスト信号をカテゴリ固有の潜在埋め込み空間にキャプチャする。
  論文  参考訳（メタデータ） (2021-10-08T09:54:43Z)
• 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)
• 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)
• Dynamic Graph Collaborative Filtering [64.87765663208927]
  動的レコメンデーションは,逐次データに基づくリアルタイム予測を提供するレコメンデータシステムにとって不可欠である。 本稿では、動的グラフを利用して協調関係とシーケンシャル関係をキャプチャする新しいフレームワーク、Dynamic Graph Collaborative Filtering (DGCF)を提案する。 提案手法は, 動的協調情報の統合の有効性を示すため, 動作繰り返しの少ないデータセットでは高い性能を実現する。
  論文  参考訳（メタデータ） (2021-01-08T04:16:24Z)
• Multi-Interactive Attention Network for Fine-grained Feature Learning in CTR Prediction [48.267995749975476]
  クリックスルー率(ctr)予測シナリオでは、ユーザのシーケンシャルな動作を利用してユーザの関心を捉える。 既存の手法は主にユーザの行動に注意を払っているが、CTR予測には必ずしも適していない。 マルチインタラクティブ・アテンション・ネットワーク (MIAN) を提案し, 各種微細な特徴間の潜在関係を総合的に抽出する。
  論文  参考訳（メタデータ） (2020-12-13T05:46:19Z)
• 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)

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。