論文の概要: Diversity Regularized Interests Modeling for Recommender Systems
- arxiv url: http://arxiv.org/abs/2103.12404v1
- Date: Tue, 23 Mar 2021 09:10:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-24 13:43:37.558070
- Title: Diversity Regularized Interests Modeling for Recommender Systems
- Title(参考訳): リコメンダシステムの多様性規則化利子モデリング
- Authors: Junmei Hao, Jingcheng Shi, Qing Da, Anxiang Zeng, Yujie Dun, Xueming
Qian, Qianying Lin
- Abstract要約: リコメンダーシステムのための多様性正規化利子モデリング(DRIM)の新しい方法を提案する。
ユーザの興味はある程度の差異を持つべきであり,複数のユーザ関心ベクトルを分離する多様性正規化セパレータとして,3つの戦略を導入する。
- 参考スコア(独自算出の注目度): 25.339169652217844
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the rapid development of E-commerce and the increase in the quantity of
items, users are presented with more items hence their interests broaden. It is
increasingly difficult to model user intentions with traditional methods, which
model the user's preference for an item by combining a single user vector and
an item vector. Recently, some methods are proposed to generate multiple user
interest vectors and achieve better performance compared to traditional
methods. However, empirical studies demonstrate that vectors generated from
these multi-interests methods are sometimes homogeneous, which may lead to
sub-optimal performance. In this paper, we propose a novel method of Diversity
Regularized Interests Modeling (DRIM) for Recommender Systems. We apply a
capsule network in a multi-interest extractor to generate multiple user
interest vectors. Each interest of the user should have a certain degree of
distinction, thus we introduce three strategies as the diversity regularized
separator to separate multiple user interest vectors. Experimental results on
public and industrial data sets demonstrate the ability of the model to capture
different interests of a user and the superior performance of the proposed
approach.
- Abstract(参考訳): eコマースの急速な発展とアイテムの量の増加により、ユーザーはより多くのアイテムを提示されるため、興味が広がる。
単一のユーザベクトルとアイテムベクトルを組み合わせることで,ユーザの好みをモデル化する従来の手法によるユーザ意図のモデル化がますます困難になっている。
近年,複数のユーザ関心ベクトルを生成し,従来の手法よりも優れた性能を実現する手法が提案されている。
しかし、実証的な研究により、これらの多利子法から生成されるベクトルは時として同質であり、それが準最適性能をもたらすことが示されている。
本稿では,レコメンダシステムのための新しい多様性正規化関心モデリング(drim)手法を提案する。
複数のユーザ興味ベクトルを生成するために,カプセルネットワークを多目的抽出器に適用する。
ユーザの興味はある程度の差異を持つべきであり,複数のユーザ関心ベクトルを分離する多様性正規化セパレータとして3つの戦略を導入する。
パブリックデータセットと産業データセットに関する実験結果から,利用者の興味の相違と,提案手法の優れた性能を把握できるモデルの有効性が示された。
関連論文リスト
- Multimodal Difference Learning for Sequential Recommendation [5.243083216855681]
ユーザの関心とアイテムの関係は、さまざまなモダリティによって異なる、と我々は主張する。
本稿では,MDSRec のシークエンシャルレコメンデーションのための新しいマルチモーダルラーニングフレームワークを提案する。
5つの実世界のデータセットの結果は、最先端のベースラインよりもMDSRecの方が優れていることを示している。
論文 参考訳(メタデータ) (2024-12-11T05:08:19Z) - GaVaMoE: Gaussian-Variational Gated Mixture of Experts for Explainable Recommendation [55.769720670731516]
GaVaMoEは、説明可能なレコメンデーションのための新しいフレームワークである。
特定のユーザータイプや好みのカスタマイズされた説明を生成する。
疎いユーザ-イテムインタラクションのシナリオでは、堅牢なパフォーマンスを示す。
論文 参考訳(メタデータ) (2024-10-15T17:59:30Z) - 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) - MISSRec: Pre-training and Transferring Multi-modal Interest-aware
Sequence Representation for Recommendation [61.45986275328629]
逐次レコメンデーションのためのマルチモーダル事前学習・転送学習フレームワークであるMISSRecを提案する。
ユーザ側ではトランスフォーマーベースのエンコーダデコーダモデルを設計し、コンテキストエンコーダがシーケンスレベルのマルチモーダルユーザ興味を捉えることを学習する。
候補項目側では,ユーザ適応項目表現を生成するために動的融合モジュールを採用する。
論文 参考訳(メタデータ) (2023-08-22T04:06:56Z) - Hierarchical Multi-Interest Co-Network For Coarse-Grained Ranking [27.00455925014862]
大規模なオンラインレコメンデーションサービスは、通常、候補生成、粗い粒度ランキング、きめ細かい粒度ランキングの3つのステージで構成されている。
これまでの研究では、ユーザーの興味は多様であり、1つのベクトルはユーザーの好みを捉えるのに十分ではないことが示されている。
本稿では,階層型多目的ネットワーク(HCN)を提案する。
論文 参考訳(メタデータ) (2022-10-19T13:40:16Z) - 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) - Multiple Interest and Fine Granularity Network for User Modeling [3.508126539399186]
ユーザモデリングは、カスタマエクスペリエンスとビジネス収益の両方の観点から、マッチングステージとランキングステージの両方において、産業レコメンデータシステムにおいて、基本的な役割を果たす。
既存のディープラーニングベースのアプローチのほとんどは、アイテムIDとカテゴリIDを活用するが、色やメイトリアルのようなきめ細かい特徴は無視し、ユーザの興味の細かい粒度をモデル化するのを妨げる。
本稿では,ユーザの多目的・細粒度に対処する多目的・細粒度ネットワーク(MFN)を提案し,ユーザの多目的間の類似性関係と組み合わせ関係からモデルを構築した。
論文 参考訳(メタデータ) (2021-12-05T15:12:08Z) - Sparse-Interest Network for Sequential Recommendation [78.83064567614656]
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。
論文 参考訳(メタデータ) (2021-02-18T11:03:48Z) - 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) - Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。
当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
論文 参考訳(メタデータ) (2020-05-21T12:28:59Z)
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。