論文の概要: Context-aware short-term interest first model for session-based recommendation

• arxiv url: http://arxiv.org/abs/2103.15514v1
• Date: Mon, 29 Mar 2021 11:36:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-30 14:45:38.065906
• Title: Context-aware short-term interest first model for session-based recommendation
• Title（参考訳）: セッションベースレコメンデーションのための文脈対応短期関心第一モデル
• Authors: Haomei Duan and Jinghua Zhu
• Abstract要約: 文脈対応短期関心第一モデル(CASIF)を提案する。 本研究の目的は,文脈と短期的関心を組み合わせることで,推薦の正確性を向上させることである。 最後に、短期的および長期的利息を最終利息として結合し、候補ベクトルによって乗算して推奨確率を得る。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the case that user profiles are not available, the recommendation based on anonymous session is particularly important, which aims to predict the items that the user may click at the next moment based on the user's access sequence over a while. In recent years, with the development of recurrent neural network, attention mechanism, and graph neural network, the performance of session-based recommendation has been greatly improved. However, the previous methods did not comprehensively consider the context dependencies and short-term interest first of the session. Therefore, we propose a context-aware short-term interest first model (CASIF).The aim of this paper is improve the accuracy of recommendations by combining context and short-term interest. In CASIF, we dynamically construct a graph structure for session sequences and capture rich context dependencies via graph neural network (GNN), latent feature vectors are captured as inputs of the next step. Then we build the short-term interest first module, which can to capture the user's general interest from the session in the context of long-term memory, at the same time get the user's current interest from the item of the last click. In the end, the short-term and long-term interest are combined as the final interest and multiplied by the candidate vector to obtain the recommendation probability. Finally, a large number of experiments on two real-world datasets demonstrate the effectiveness of our proposed method.
• Abstract（参考訳）: ユーザプロファイルが利用できない場合には、匿名セッションに基づくレコメンデーションが特に重要であり、ユーザのアクセスシーケンスに基づいて、ユーザが次の瞬間にクリックできるアイテムを予測することを目的としている。 近年,リカレントニューラルネットワーク,アテンション機構,グラフニューラルネットワークの開発により,セッションベースレコメンデーションの性能が大幅に向上している。 しかし、以前の方法はセッションのコンテキスト依存性と短期的関心を包括的に考慮していなかった。 そこで本稿では,文脈認識型短期利害第一モデル(casif)を提案する。本稿の目的は,文脈と短期利害を組み合わせることにより,レコメンデーションの精度を向上させることである。 CASIFでは、セッションシーケンスのグラフ構造を動的に構築し、グラフニューラルネットワーク(GNN)を介してリッチなコンテキスト依存をキャプチャし、遅延特徴ベクトルを次のステップの入力としてキャプチャする。 次に,長期記憶のコンテキストにおいて,セッションからユーザの一般的な関心を捕捉すると同時に,最後のクリックの項目からユーザの現在の関心を取得可能な,短期的関心の第1モジュールを構築する。 最後に、短期利息と長期利息とを最終利息として組み合わせ、候補ベクトルに乗じて推薦確率を得る。 最後に,実世界の2つのデータセットにおける多数の実験により,提案手法の有効性が示された。

関連論文リスト

• Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
  クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。 近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。 マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
  論文  参考訳（メタデータ） (2024-11-22T15:29:05Z)
• IDNP: Interest Dynamics Modeling using Generative Neural Processes for Sequential Recommendation [40.4445022666304]
  我々は,機能的視点からユーザ興味をモデル化するために,生成型 textbfNeural textbfProcesses を用いた textbfInterest textbfDynamics モデリングフレームワークを提案する。 本モデルでは,各種評価指標の最先端性に優れる。
  論文  参考訳（メタデータ） (2022-08-09T08:33:32Z)
• 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)
• Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation [62.30552176649873]
  シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。 両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。 モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:44:27Z)
• From Implicit to Explicit feedback: A deep neural network for modeling sequential behaviours and long-short term preferences of online users [3.464871689508835]
  暗黙的かつ明示的なフィードバックは、有用な推奨のために異なる役割を持つ。 ユーザの嗜好は,長期的利益と短期的利益の組み合わせである,という仮説から導かれる。
  論文  参考訳（メタデータ） (2021-07-26T16:59:20Z)
• Dynamic Memory based Attention Network for Sequential Recommendation [79.5901228623551]
  DMAN(Dynamic Memory-based Attention Network)と呼ばれる新しい連続的推薦モデルを提案する。 長い動作シーケンス全体を一連のサブシーケンスに分割し、モデルをトレーニングし、ユーザの長期的な利益を維持するためにメモリブロックのセットを維持する。 動的メモリに基づいて、ユーザの短期的および長期的関心を明示的に抽出し、組み合わせて効率的な共同推薦を行うことができる。
  論文  参考訳（メタデータ） (2021-02-18T11:08:54Z)
• Dynamic Embeddings for Interaction Prediction [2.5758502140236024]
  推薦システム(RS)では、ユーザが対話する次の項目を予測することが、ユーザの保持に不可欠である。 近年,ユーザとアイテム間の相互相互作用を個別のユーザとアイテムの埋め込みを用いてモデル化する手法の有効性が示されている。 本稿では,DeePRed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） (2020-11-10T16:04:46Z)
• UBER-GNN: A User-Based Embeddings Recommendation based on Graph Neural Networks [27.485553372163732]
  本稿では,グラフニューラルネットワーク,UBER-GNNを用いたユーザベースの埋め込み提案を提案する。 UBER-GNNは構造化データを利用して長期のユーザの好みを生成し、セッションシーケンスをグラフに転送し、グラフベースの動的関心事を生成する。 実際のPingでの実験は、UBER-GNNが最先端のセッションベースのレコメンデーションメソッドより優れていることを示している。
  論文  参考訳（メタデータ） (2020-08-06T09:54:03Z)
• Modeling Long-Term and Short-Term Interests with Parallel Attentions for Session-based Recommendation [17.092823992007794]
  セッションベースのレコメンダは通常、ユーザの進化する関心を探求します。 近年の注意機構の進歩により、この課題を解決するための最先端の手法が導かれた。 本稿では,セッションベースレコメンデーションのための並列注意ネットワークモデル(PAN)を提案する。
  論文  参考訳（メタデータ） (2020-06-27T11:47:51Z)
• Sequential Recommender via Time-aware Attentive Memory Network [67.26862011527986]
  本稿では,注意機構と繰り返し単位を改善するための時間ゲーティング手法を提案する。 また,長期と短期の嗜好を統合するマルチホップ・タイムアウェア・アテンテーティブ・メモリ・ネットワークを提案する。 提案手法は,候補探索タスクに対してスケーラブルであり,ドット積に基づくTop-Kレコメンデーションのための潜在因数分解の非線形一般化とみなすことができる。
  論文  参考訳（メタデータ） (2020-05-18T11:29:38Z)
• 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)

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。