論文の概要: Comprehensive Empirical Evaluation of Deep Learning Approaches for Session-based Recommendation in E-Commerce

• arxiv url: http://arxiv.org/abs/2010.12540v1
• Date: Sat, 17 Oct 2020 17:22:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-28 19:53:27.802286
• Title: Comprehensive Empirical Evaluation of Deep Learning Approaches for Session-based Recommendation in E-Commerce
• Title（参考訳）: 電子商取引におけるセッションベース勧告のための深層学習アプローチの総合的実証評価
• Authors: Mohamed Maher (1), Perseverance Munga Ngoy (1), Aleksandrs Rebriks (1), Cagri Ozcinar (1), Josue Cuevas (3), Rajasekhar Sanagavarapu (3), Gholamreza Anbarjafari (1 and 2) ((1) iCV Lab, University of Tartu, Tartu, Estonia, (2) Faculty of Engineering, Hasan Kalyoncu University, Gaziantep, Turkey, (3) Rakuten Inc., Big Data Department, Machine Learning Group, Tokyo, Japan)
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 38.42250061908039
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Boosting sales of e-commerce services is guaranteed once users find more matching items to their interests in a short time. Consequently, recommendation systems have become a crucial part of any successful e-commerce services. Although various recommendation techniques could be used in e-commerce, a considerable amount of attention has been drawn to session-based recommendation systems during the recent few years. This growing interest is due to the security concerns in collecting personalized user behavior data, especially after the recent general data protection regulations. In this work, we present a comprehensive evaluation of the state-of-the-art deep learning approaches used in the session-based recommendation. In session-based recommendation, a recommendation system counts on the sequence of events made by a user within the same session to predict and endorse other items that are more likely to correlate with his/her preferences. Our extensive experiments investigate baseline techniques (\textit{e.g.,} nearest neighbors and pattern mining algorithms) and deep learning approaches (\textit{e.g.,} recurrent neural networks, graph neural networks, and attention-based networks). Our evaluations show that advanced neural-based models and session-based nearest neighbor algorithms outperform the baseline techniques in most of the scenarios. However, we found that these models suffer more in case of long sessions when there exists drift in user interests, and when there is no enough data to model different items correctly during training. Our study suggests that using hybrid models of different approaches combined with baseline algorithms could lead to substantial results in session-based recommendations based on dataset characteristics. We also discuss the drawbacks of current session-based recommendation algorithms and further open research directions in this field.
• Abstract（参考訳）: ユーザーが自分の興味に合ったアイテムを短期間で見つけると、Eコマースサービスの売り上げが増加することが保証される。 その結果、レコメンデーションシステムは、成功したEコマースサービスにとって重要な部分となっている。 電子商取引では様々なレコメンデーション技術が利用できるが、近年はセッションベースのレコメンデーションシステムにかなりの関心が寄せられている。 このような関心の高まりは、パーソナライズされたユーザー行動データ収集におけるセキュリティ上の懸念、特に最近の一般的なデータ保護規則の後に発生している。 本研究では,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。 セッションベースのレコメンデーションでは、レ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シーケンスをカウントして、自分の好みと関連付けやすい他のアイテムを予測し、支持する。 本研究は,ニューラルネットワーク,グラフニューラルネットワーク,アテンションベースネットワークなど,ベースライン技術(近傍の近傍とパターンマイニングアルゴリズム)とディープラーニングアプローチ(パターンマイニングアルゴリズム)について検討した。 評価の結果,先進的なニューラルベースモデルとセッションベース近傍アルゴリズムが,ほとんどのシナリオにおいてベースライン技術を上回ることがわかった。 しかし,ユーザの興味が漂うような長時間セッションの場合や,トレーニング中に異なる項目を正しくモデル化するのに十分なデータがない場合には,これらのモデルがより苦しむことが判明した。 本研究は,異なるアプローチのハイブリッドモデルとベースラインアルゴリズムを組み合わせることで,データセット特性に基づくセッションベースレコメンデーションのかなりの結果が得られることを示唆する。 また,現在のセッションベースレコメンデーションアルゴリズムの欠点と,この分野におけるさらなる研究指針についても考察する。

関連論文リスト

• Exploring Popularity Bias in Session-based Recommendation [0.6798775532273751]
  セッションベースの設定と適応確率計算に分析を拡張し、セッションベースのレコメンデーションタスクの独特な特性に適応する。 本研究では、異なるデータセット上での確率分布と異なる階層化手法について検討し、確率関連特性が実際にデータセット固有のものであることを見出した。
  論文  参考訳（メタデータ） (2023-12-13T02:48:35Z)
• Sample Complexity of Preference-Based Nonparametric Off-Policy Evaluation with Deep Networks [58.469818546042696]
  我々は、OPEのサンプル効率を人間の好みで研究し、その統計的保証を確立する。 ReLUネットワークのサイズを適切に選択することにより、マルコフ決定過程において任意の低次元多様体構造を活用できることが示される。
  論文  参考訳（メタデータ） (2023-10-16T16:27:06Z)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• A Sequence-Aware Recommendation Method Based on Complex Networks [1.385805101975528]
  データからネットワークモデルを構築し、それを使ってユーザのその後のアクションを予測する。 提案手法は大規模データセット上で実験的に実装および試験を行った。
  論文  参考訳（メタデータ） (2022-09-30T16:34:39Z)
• 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)
• A Survey on Neural Recommendation: From Collaborative Filtering to Content and Context Enriched Recommendation [70.69134448863483]
  レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。 近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
  論文  参考訳（メタデータ） (2021-04-27T08:03:52Z)
• 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)
• A Deep Hybrid Model for Recommendation Systems [0.0]
  我々は,ID埋め込みだけでなく,求人情報の特徴や求人システム候補などの補助情報も含む新しいディープニューラルネットワークアーキテクチャを提案する。 ジョブサイトからのデータセットに対する実験結果から,提案手法は,ID埋め込みを用いたディープラーニングモデルよりも推奨結果を改善することが示された。
  論文  参考訳（メタデータ） (2020-09-21T10:41:28Z)
• S^3-Rec: Self-Supervised Learning for Sequential Recommendation with Mutual Information Maximization [104.87483578308526]
  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。
  論文  参考訳（メタデータ） (2020-08-18T11:44:10Z)
• Long-tail Session-based Recommendation [7.832914615902803]
  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。
  論文  参考訳（メタデータ） (2020-07-24T03:36:35Z)

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。