論文の概要: Sparse-Interest Network for Sequential Recommendation
- arxiv url: http://arxiv.org/abs/2102.09267v1
- Date: Thu, 18 Feb 2021 11:03:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-20 07:25:38.492840
- Title: Sparse-Interest Network for Sequential Recommendation
- Title（参考訳）: Sparse-Interest Network for Sequential Recommendation
- Authors: Qiaoyu Tan, Jianwei Zhang, Jiangchao Yao, Ninghao Liu, Jingren Zhou,
Hongxia Yang, Xia Hu
- Abstract要約: 本稿では,シーケンシャルレコメンデーションのためのtextbfSparse textbfInterest textbfNEtwork(SINE)を提案する。
我々のスパース関心モジュールは、大きなコンセプトプールから各ユーザに対してスパースの概念セットを適応的に推測することができる。
SINEは最先端の手法よりも大幅に改善できる。
- 参考スコア（独自算出の注目度）: 78.83064567614656
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent methods in sequential recommendation focus on learning an overall
embedding vector from a user's behavior sequence for the next-item
recommendation. However, from empirical analysis, we discovered that a user's
behavior sequence often contains multiple conceptually distinct items, while a
unified embedding vector is primarily affected by one's most recent frequent
actions. Thus, it may fail to infer the next preferred item if conceptually
similar items are not dominant in recent interactions. To this end, an
alternative solution is to represent each user with multiple embedding vectors
encoding different aspects of the user's intentions. Nevertheless, recent work
on multi-interest embedding usually considers a small number of concepts
discovered via clustering, which may not be comparable to the large pool of
item categories in real systems. It is a non-trivial task to effectively model
a large number of diverse conceptual prototypes, as items are often not
conceptually well clustered in fine granularity. Besides, an individual usually
interacts with only a sparse set of concepts. In light of this, we propose a
novel \textbf{S}parse \textbf{I}nterest \textbf{NE}twork (SINE) for sequential
recommendation. Our sparse-interest module can adaptively infer a sparse set of
concepts for each user from the large concept pool and output multiple
embeddings accordingly. Given multiple interest embeddings, we develop an
interest aggregation module to actively predict the user's current intention
and then use it to explicitly model multiple interests for next-item
prediction. Empirical results on several public benchmark datasets and one
large-scale industrial dataset demonstrate that SINE can achieve substantial
improvement over state-of-the-art methods.
- Abstract（参考訳）: シーケンシャルレコメンデーションにおける最近の手法は、ユーザの行動シーケンスから総合的な埋め込みベクターを学習することに焦点を当てている。
しかし、経験的分析から、ユーザーの行動シーケンスは、しばしば複数の概念的に異なる項目を含むことを発見し、一方、統合された埋め込みベクトルは、主に最新の頻繁な行動の影響を受けます。
したがって、概念的に類似した項目が最近の相互作用において優勢でないと、次の優先項目を推論できない可能性がある。
この目的のために、別の解決策は、ユーザの意図の異なる側面をエンコードする複数の埋め込みベクターで各ユーザを表現することである。
それにもかかわらず、最近の多目的埋め込みの研究は、通常、クラスタリングによって発見される少数の概念を考慮し、実システムにおける項目カテゴリの大きなプールに匹敵するものではないかもしれない。
多くの多様な概念プロトタイプを効果的にモデル化することは非自明な作業であり、アイテムは概念上は細かな粒度で密集していないことが多い。
さらに、個人は通常、まばらな概念の集合だけと相互作用する。
そこで我々は,シーケンシャルレコメンデーションのための新規な \textbf{S}parse \textbf{I}nterest \textbf{NE}twork (SINE) を提案する。
我々のスパース関心モジュールは、大きな概念プールから各ユーザに対してスパースの概念セットを適応的に推論し、複数の埋め込みを出力することができる。
複数の興味が組み込まれている場合、我々はユーザーの現在の意図を積極的に予測し、次に複数の関心を次の項目の予測のために明示的にモデル化する関心集約モジュールを開発する。
いくつかの公開ベンチマークデータセットと1つの大規模産業データセットの実証結果は、SINEが最先端の手法よりも大幅に改善できることを示している。
関連論文リスト
- Facet-Aware Multi-Head Mixture-of-Experts Model for Sequential Recommendation [25.516648802281626]
逐次レコメンデーションのためのFAME(Facet-Aware Multi-Head Mixture-of-Experts Model for Sequential Recommendation)という新しい構造を提案する。
最後のマルチヘッドアテンション層における各頭部からのサブ埋め込みを活用して,次の項目を別々に予測する。
ゲーティングメカニズムは、各ヘッドからのレコメンデーションを統合し、それらの重要性を動的に決定する。
論文 参考訳（メタデータ） (2024-11-03T06:47:45Z) - MMGRec: Multimodal Generative Recommendation with Transformer Model [81.61896141495144]
MMGRecは、マルチモーダルレコメンデーションに生成パラダイムを導入することを目指している。
まず,階層的な量子化手法であるGraph CF-RQVAEを考案し,各項目にRec-IDを割り当てる。
次に、Transformerベースのレコメンデータをトレーニングし、過去のインタラクションシーケンスに基づいて、ユーザが推奨するアイテムのRec-IDを生成する。
論文 参考訳（メタデータ） (2024-04-25T12:11:27Z) - The Minority Matters: A Diversity-Promoting Collaborative Metric
Learning Algorithm [154.47590401735323]
CML(Collaborative Metric Learning)は、リコメンデーションシステムにおいて人気のある手法として最近登場した。
本稿では,ユーザが複数のカテゴリの関心を持つ,困難なシナリオに焦点をあてる。
textitDiversity-Promoting Collaborative Metric Learning (DPCML) 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） (2022-09-30T08:02:18Z) - Everyone's Preference Changes Differently: Weighted Multi-Interest
Retrieval Model [18.109035867113217]
MIPモデル(Multi-Interest Preference)は、ユーザのシーケンシャルエンゲージメントをより効果的に利用することで、ユーザにとってマルチエンゲージメントを生み出すアプローチである。
本手法の有効性を実証するため,様々な産業規模のデータセットを用いて大規模な実験を行った。
論文 参考訳（メタデータ） (2022-07-14T04:29:54Z) - 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) - GIMIRec: Global Interaction Information Aware Multi-Interest Framework
for Sequential Recommendation [5.416421678129053]
本稿では,GIMIレコメンデーションのための多目的フレームワーク(Global Interaction Aware Multi-Interest Framework for Sequential Recommendation,GIMIRec)という新たなレコメンデーションモデルを提案する。
Recall、NDCG、Hit RateインジケータにおけるGIMIRecの性能は、最先端の手法よりも大幅に優れている。
論文 参考訳（メタデータ） (2021-12-16T09:12:33Z) - Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。
本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。
最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
論文 参考訳（メタデータ） (2021-09-07T04:28:09Z) - Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。
我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。
私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
論文 参考訳（メタデータ） (2020-05-19T10:18:43Z)
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。