論文の概要: Session-aware Recommendation: A Surprising Quest for the
State-of-the-art
- arxiv url: http://arxiv.org/abs/2011.03424v2
- Date: Tue, 14 Sep 2021 12:28:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 04:13:51.359812
- Title: Session-aware Recommendation: A Surprising Quest for the
State-of-the-art
- Title（参考訳）: セッション・アウェア・レコメンデーション:最先端の課題
- Authors: Sara Latifi, Noemi Mauro, Dietmar Jannach
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 6.617487928813376
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recommender systems are designed to help users in situations of information
overload. In recent years, we observed increased interest in session-based
recommendation scenarios, where the problem is to make item suggestions to
users based only on interactions observed in an ongoing session. However, in
cases where interactions from previous user sessions are available, the
recommendations can be personalized according to the users' long-term
preferences, a process called session-aware recommendation. Today, research in
this area is scattered and many existing works only compare session-aware with
session-based models. This makes it challenging to understand what represents
the state-of-the-art. To close this research gap, we benchmarked recent
session-aware algorithms against each other and against a number of
session-based recommendation algorithms and trivial extensions thereof. Our
comparison, to some surprise, revealed that (i) item simple techniques based on
nearest neighbors consistently outperform recent neural techniques and that
(ii) session-aware models were mostly not better than approaches that do not
use long-term preference information. Our work therefore not only points to
potential methodological issues where new methods are compared to weak
baselines, but also indicates that there remains a huge potential for more
sophisticated session-aware recommendation algorithms.
- Abstract（参考訳）: リコメンダシステムは,情報過負荷時のユーザを支援するように設計されている。
近年,セッションベースのレコメンデーションシナリオへの関心が高まり,進行中のセッションで観察されるインタラクションのみに基づいて,ユーザに対して項目提案を行うことが問題となっている。
しかし、以前のユーザセッションからのインタラクションが利用可能であれば、ユーザの長期的な好みに応じて、セッションアウェアレコメンデーションと呼ばれるプロセスでレコメンデーションをパーソナライズすることができる。
現在、この領域の研究は散在しており、既存の多くの研究はセッションアウェアとセッションベースモデルの比較しか行っていない。
これにより、最先端を表すものを理解することが困難になる。
この研究のギャップを埋めるために、最近のセッション対応アルゴリズムをベンチマークし、セッションベースのレコメンデーションアルゴリズムと簡単な拡張をいくつか比較した。
私たちの比較から 驚くことに
(i)近しい隣人に基づく項目簡易技術は、最近の神経技術に一貫して勝っているもの
(II) セッション認識モデルは, 長期的嗜好情報を使用しないアプローチに比べ, ほとんど良くなかった。
そこで本研究では,新しい手法が弱いベースラインと比較される場合の方法論的問題を示すだけでなく,より洗練されたセッション認識型推薦アルゴリズムの可能性も示唆する。
関連論文リスト
- Hierarchical Reinforcement Learning for Temporal Abstraction of Listwise Recommendation [51.06031200728449]
我々はmccHRLと呼ばれる新しいフレームワークを提案し、リストワイドレコメンデーションにおける時間的抽象化のレベルを異なるものにする。
階層的な枠組みの中では、ハイレベルエージェントがユーザ知覚の進化を研究し、低レベルエージェントがアイテム選択ポリシーを作成している。
その結果,本手法による性能改善は,いくつかのよく知られたベースラインと比較して有意な結果が得られた。
論文 参考訳（メタデータ） (2024-09-11T17:01:06Z) - STAR: A Session-Based Time-Aware Recommender System [8.122270502556372]
セッションベースレコメンダ(SBR)は,セッションにおける過去のインタラクションに関するユーザの次の好みを予測することを目的としている。
本稿では,SBRの性能向上におけるセッション時間情報の可能性について検討する。
本稿では、セッション内のイベント間の時間間隔を利用して、アイテムやセッションのより情報的な表現を構築するSTARフレームワークを提案する。
論文 参考訳（メタデータ） (2022-11-11T18:25:48Z) - Heterogeneous Graph Neural Network for Personalized Session-Based
Recommendation with User-Session Constraints [0.0]
セッションベースのレコメンデーションは、アイテムのシーケンスで構成されるセッションを解釈することでアイテムを推奨しようとする。
本稿では,不均一な注意ネットワークを通じてセッションによって生成されるグラフの様々な関係について考察する。
トレーニングプロセスのさらなる最適化を通じて、パフォーマンスの向上を目指している。
論文 参考訳（メタデータ） (2022-05-23T14:35:26Z) - Exploiting Session Information in BERT-based Session-aware Sequential
Recommendation [13.15762859612114]
推薦システムでは,ユーザインタラクション履歴をシーケンシャルな情報として活用することで,大幅な性能向上を実現している。
多くのオンラインサービスでは、ユーザインタラクションは、通常、通常のシーケンス表現技術とは異なるアプローチを必要とする、おそらく好みを共有するセッションによってグループ化される。
本稿では,BERTに基づく逐次レコメンデーションモデルにおいて,追加パラメータを最小化しながらセッション情報を活用することで,レコメンデーション性能を向上させる3つの手法を提案する。
論文 参考訳（メタデータ） (2022-04-22T17:58:10Z) - G$^3$SR: Global Graph Guided Session-based Recommendation [116.38098186755029]
セッションベースのレコメンデーションは、匿名セッションデータを使用して高品質なレコメンデーションを提供しようとします。
G$3$SR (Global Graph Guided Session-based Recommendation)はセッションベースのレコメンデーションワークフローを2つのステップに分割する。
2つの実世界のベンチマークデータセットの実験は、最先端の手法よりもG$3$SR法の顕著で一貫した改善を示している。
論文 参考訳（メタデータ） (2022-03-12T15:44:03Z) - An Investigation of Replay-based Approaches for Continual Learning [79.0660895390689]
連続学習(CL)は機械学習(ML)の大きな課題であり、破滅的忘れ(CF)を伴わずに連続的に複数のタスクを学習する能力を記述する。
いくつかの解クラスが提案されており、その単純さと堅牢性から、いわゆるリプレイベースのアプローチは非常に有望であるように思われる。
連続学習におけるリプレイに基づくアプローチを実証的に検討し,応用の可能性を評価する。
論文 参考訳（メタデータ） (2021-08-15T15:05:02Z) - Session-aware Linear Item-Item Models for Session-based Recommendation [16.081904457871815]
セッションベースのレコメンデーションは、セッションで消費された以前の項目のシーケンスから次の項目を予測することを目的とする。
セッションの全体的側面を考慮した簡便かつ効果的な線形モデルを提案する。
論文 参考訳（メタデータ） (2021-03-30T06:28:40Z) - Session-Aware Query Auto-completion using Extreme Multi-label Ranking [61.753713147852125]
本稿では,セッション対応クエリ自動補完の新たな手法を,XMR(Multi Multi-Xtreme Ranking)問題として取り上げる。
アルゴリズムのキーステップにいくつかの修正を提案することにより、この目的のために一般的なXMRアルゴリズムを適応させる。
当社のアプローチは、セッション情報を活用しながら、自動補完システムの厳しいレイテンシ要件を満たします。
論文 参考訳（メタデータ） (2020-12-09T17:56:22Z) - 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) - 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) - 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。