論文の概要: Explore User Neighborhood for Real-time E-commerce Recommendation
- arxiv url: http://arxiv.org/abs/2103.00442v1
- Date: Sun, 28 Feb 2021 09:56:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-04 11:32:27.553508
- Title: Explore User Neighborhood for Real-time E-commerce Recommendation
- Title(参考訳): リアルタイム電子商取引レコメンデーションのためのユーザ近所の探索
- Authors: Xu Xie, Fei Sun, Xiaoyong Yang, Zhao Yang, Jinyang Gao, Wenwu Ou, and
Bin Cui
- Abstract要約: グローバル情報とローカル情報の両方をリアルタイムにレコメンデーションできる,自己補完型協調フィルタリング(SCCF)というフレームワークを提案する。
インダクティブモデルでユーザ表現をリアルタイムで推測することで,ユーザ毎の類似ユーザをリアルタイムで識別することができる。
また、リアルタイム設定にユーザーベースのメソッドを適用する最初の試みです。
- 参考スコア(独自算出の注目度): 30.33951897839399
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Recommender systems play a vital role in modern online services, such as
Amazon and Taobao. Traditional personalized methods, which focus on user-item
(UI) relations, have been widely applied in industrial settings, owing to their
efficiency and effectiveness. Despite their success, we argue that these
approaches ignore local information hidden in similar users. To tackle this
problem, user-based methods exploit similar user relations to make
recommendations in a local perspective. Nevertheless, traditional user-based
methods, like userKNN and matrix factorization, are intractable to be deployed
in the real-time applications since such transductive models have to be
recomputed or retrained with any new interaction. To overcome this challenge,
we propose a framework called self-complementary collaborative filtering~(SCCF)
which can make recommendations with both global and local information in real
time. On the one hand, it utilizes UI relations and user neighborhood to
capture both global and local information. On the other hand, it can identify
similar users for each user in real time by inferring user representations on
the fly with an inductive model. The proposed framework can be seamlessly
incorporated into existing inductive UI approach and benefit from user
neighborhood with little additional computation. It is also the first attempt
to apply user-based methods in real-time settings. The effectiveness and
efficiency of SCCF are demonstrated through extensive offline experiments on
four public datasets, as well as a large scale online A/B test in Taobao.
- Abstract(参考訳): リコメンダーシステムは、AmazonやTaobaoなどの現代のオンラインサービスにおいて重要な役割を果たしています。
ユーザ・イテム(UI)関係に焦点をあてた従来のパーソナライズ手法は、その効率性と有効性から、産業的に広く適用されてきた。
それらの成功にもかかわらず、我々はこれらのアプローチは類似のユーザーで隠されたローカル情報を無視すると主張します。
この問題に対処するため、ユーザーベースのメソッドは、同様のユーザー関係を利用して、ローカルの視点で推奨します。
それでも、 userKNN やMatrix Factorization のような従来のユーザベースの手法は、そのようなトランスダクティブモデルが新しいインタラクションで再コンパイルまたは再トレーニングされる必要があるため、リアルタイムアプリケーションにデプロイすることは困難である。
この課題を克服するために,グローバル情報とローカル情報の両方をリアルタイムにレコメンデーションする,自己補完的協調フィルタリング(SCCF)というフレームワークを提案する。
一方、UI関係とユーザ近傍を利用して、グローバル情報とローカル情報の両方をキャプチャする。
一方、インダクティブモデルにより、オンザフライでユーザ表現を推測することで、各ユーザーの類似したユーザーをリアルタイムで識別できます。
提案されたフレームワークは,既存のインダクタティブUIアプローチにシームレスに組み込むことができ,追加計算の少ないユーザ近所の恩恵を受けることができる。
また、リアルタイム設定にユーザーベースのメソッドを適用する最初の試みです。
SCCFの有効性と効率は、4つのパブリックデータセットに対する大規模なオフライン実験と、Taobaoでの大規模なオンラインA/Bテストによって実証される。
関連論文リスト
- TransAct: Transformer-based Realtime User Action Model for
Recommendation at Pinterest [17.247452803197362]
本稿では、PinterestのHomefeedランキングアーキテクチャについて述べる。
本研究では,リアルタイム活動からユーザの短期的嗜好を抽出するシーケンシャルモデルであるTransActを提案する。
本稿では, アブレーション研究の結果, 生産時の課題, オンラインA/B実験の結果について述べる。
論文 参考訳(メタデータ) (2023-05-31T23:45:29Z) - Exploiting Rich Textual User-Product Context for Improving Sentiment
Analysis [21.840121866597563]
本稿では,同じユーザ/製品に属する履歴レビューを明示的に活用して表現を初期化する手法を提案する。
IMDb、Yelp-2013、Yelp-2014ベンチマークの実験は、我々のアプローチがこれまでの最先端よりも大幅に優れていることを示している。
論文 参考訳(メタデータ) (2022-12-17T14:57:52Z) - Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。
しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。
したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
論文 参考訳(メタデータ) (2022-11-17T19:00:24Z) - RESUS: Warm-Up Cold Users via Meta-Learning Residual User Preferences in
CTR Prediction [14.807495564177252]
コールドユーザーに対するCTR(Click-Through Rate)予測は、レコメンデーションシステムにおいて難しい課題である。
本稿では,グローバルな嗜好知識の学習を,個々のユーザの残留嗜好の学習から切り離す,RESUSという新しい,効率的なアプローチを提案する。
本手法は, コールドユーザに対するCTR予測精度の向上に有効であり, 各種最先端手法と比較して有効である。
論文 参考訳(メタデータ) (2022-10-28T11:57:58Z) - FedGRec: Federated Graph Recommender System with Lazy Update of Latent
Embeddings [108.77460689459247]
プライバシー問題を軽減するためのフェデレートグラフレコメンダシステム(FedGRec)を提案する。
本システムでは,ユーザとサーバは,ユーザとアイテムに対する遅延埋め込みを明示的に記憶する。
我々は,遅延埋め込みを相互作用グラフの欠落のプロキシとして用いることの有効性を検証するために,広範な実験的な評価を行った。
論文 参考訳(メタデータ) (2022-10-25T01:08:20Z) - Content Popularity Prediction in Fog-RANs: A Clustered Federated
Learning Based Approach [66.31587753595291]
本稿では,ローカルユーザとモバイルユーザの両面からコンテンツの人気度を統合した,モビリティに配慮した新しい人気予測ポリシーを提案する。
ローカルユーザにとって、コンテンツの人気は、ローカルユーザやコンテンツの隠された表現を学習することによって予測される。
モバイルユーザーにとって、コンテンツの人気はユーザー好みの学習によって予測される。
論文 参考訳(メタデータ) (2022-06-13T03:34:00Z) - FedSPLIT: One-Shot Federated Recommendation System Based on Non-negative
Joint Matrix Factorization and Knowledge Distillation [7.621960305708476]
我々はNMF結合因子化に基づく最初の教師なしワンショットフェデレーションCF実装であるFedSPLITを提案する。
FedSPLITは、コミュニケーションの数を大幅に減らすことで、技術の現状と類似した結果を得ることができる(特定の状況では、それよりも優れている)。
論文 参考訳(メタデータ) (2022-05-04T23:42:14Z) - Scalable and Robust Self-Learning for Skill Routing in Large-Scale
Conversational AI Systems [13.705147776518421]
最先端システムは、自然な会話を可能にするためにモデルベースのアプローチを使用する。
ルーティングの代替を探索するスケーラブルな自己学習手法を提案する。
論文 参考訳(メタデータ) (2022-04-14T17:46:14Z) - Optimizing Interactive Systems via Data-Driven Objectives [70.3578528542663]
本稿では,観察されたユーザインタラクションから直接目的を推測する手法を提案する。
これらの推論は、事前の知識によらず、様々な種類のユーザー行動にまたがって行われる。
本稿では,これらの推定対象を最適化するために利用する新しいアルゴリズムであるInteractive System(ISO)を紹介する。
論文 参考訳(メタデータ) (2020-06-19T20:49:14Z) - Empowering Active Learning to Jointly Optimize System and User Demands [70.66168547821019]
我々は,アクティブラーニングシステムとユーザを協調的に(効率的に学習)するための,新しいアクティブラーニング手法を提案する。
本手法は,特定のユーザに対して,エクササイズの適切性を予測するために,学習を迅速かつ迅速に行う必要があるため,特に,この手法のメリットを生かした教育アプリケーションで研究する。
複数の学習戦略とユーザタイプを実際のユーザからのデータで評価し,代替手法がエンドユーザに適さない多くのエクササイズをもたらす場合,共同アプローチが両方の目標を満足できることを確認した。
論文 参考訳(メタデータ) (2020-05-09T16:02:52Z) - Mining Implicit Entity Preference from User-Item Interaction Data for
Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。
我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。
利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
論文 参考訳(メタデータ) (2020-03-28T05:47:33Z)
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。