Fugu-MT 論文翻訳(概要): Learning Heterogeneous Temporal Patterns of User Preference for Timely Recommendation

論文の概要: Learning Heterogeneous Temporal Patterns of User Preference for Timely Recommendation

arxiv url: http://arxiv.org/abs/2104.14200v1
Date: Thu, 29 Apr 2021 08:37:30 GMT
ステータス: 処理完了
システム内更新日: 2021-04-30 12:52:57.654562
Title: Learning Heterogeneous Temporal Patterns of User Preference for Timely Recommendation
Title（参考訳）: タイムリ勧告のためのユーザ嗜好の不均一な時間パターンの学習
Authors: Junsu Cho, Dongmin Hyun, SeongKu Kang, Hwanjo Yu
Abstract要約: 我々はTimelyRecと呼ばれるタイムリーなレコメンデーションのための新しいレコメンデーションシステムを提案する。 TimelyRecでは、2つのエンコーダのカスケードが、各エンコーダに対して提案されたアテンションモジュールを使用して、ユーザの好みの時間パターンをキャプチャする。実世界のデータセットにおける項目推薦シナリオと項目決定推薦シナリオの実験により,timelyrecの優位性が示された。
参考スコア（独自算出の注目度）: 15.930016839929047
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recommender systems have achieved great success in modeling user's preferences on items and predicting the next item the user would consume. Recently, there have been many efforts to utilize time information of users' interactions with items to capture inherent temporal patterns of user behaviors and offer timely recommendations at a given time. Existing studies regard the time information as a single type of feature and focus on how to associate it with user preferences on items. However, we argue they are insufficient for fully learning the time information because the temporal patterns of user preference are usually heterogeneous. A user's preference for a particular item may 1) increase periodically or 2) evolve over time under the influence of significant recent events, and each of these two kinds of temporal pattern appears with some unique characteristics. In this paper, we first define the unique characteristics of the two kinds of temporal pattern of user preference that should be considered in time-aware recommender systems. Then we propose a novel recommender system for timely recommendations, called TimelyRec, which jointly learns the heterogeneous temporal patterns of user preference considering all of the defined characteristics. In TimelyRec, a cascade of two encoders captures the temporal patterns of user preference using a proposed attention module for each encoder. Moreover, we introduce an evaluation scenario that evaluates the performance on predicting an interesting item and when to recommend the item simultaneously in top-K recommendation (i.e., item-timing recommendation). Our extensive experiments on a scenario for item recommendation and the proposed scenario for item-timing recommendation on real-world datasets demonstrate the superiority of TimelyRec and the proposed attention modules.
Abstract（参考訳）: リコメンダシステムは、ユーザのアイテムの好みをモデル化し、ユーザが消費する次のアイテムを予測することに成功している。近年,アイテムとユーザのインタラクションの時間情報を活用して,ユーザの行動の固有時間パターンをキャプチャし,その時間にタイムリなレコメンデーションを提供する試みが数多く行われている。既存の研究では、時刻情報を単一タイプの特徴とみなし、アイテムのユーザの好みとどのように関連付けるかに焦点を当てている。しかし,ユーザの嗜好の時間パターンは通常異質であるため,時間情報を完全に学習するには不十分である。特定の項目に対するユーザの嗜好は、1)重要な最近の出来事の影響下で、周期的に、または2)時間とともに増大し、これら2種類の時間パターンそれぞれに固有の特徴が現れる。本稿では,まず,時間認識型レコメンダシステムにおいて考慮すべきユーザ嗜好の2種類の時間パターンの特徴を定義する。そこで本研究では,すべての特徴を考慮したユーザの嗜好の異種時間パターンを共同で学習するtimelyrecという,タイムリーレコメンデーションのための新しいレコメンデータシステムを提案する。 TimelyRecでは、2つのエンコーダのカスケードが、各エンコーダに対して提案されたアテンションモジュールを使用して、ユーザの好みの時間パターンをキャプチャする。さらに,興味のある項目の予測と,その項目をtop-kレコメンデーション(すなわち,項目決定レコメンデーション)で同時に推薦するタイミングを評価する評価シナリオを提案する。我々は,実世界のデータセットにおける項目推薦シナリオと提案シナリオに関する広範囲な実験を行い,timelyrecと提案するアテンションモジュールの優位性を示した。

関連論文リスト

Sequential Recommendation on Temporal Proximities with Contrastive Learning and Self-Attention [3.7182810519704095]
逐次リコメンデータシステムは、過去のインタラクションからユーザの好みを識別し、後続の項目を最適に予測する。最近のモデルでは、類似の時間枠中に暗黙的に発生するユーザの行動の類似性を無視することが多い。本稿では,時間的近接性を考慮したコントラスト学習と自己認識手法を含む,TemProxRecという逐次レコメンデーションモデルを提案する。
論文参考訳（メタデータ） (2024-02-15T08:33:16Z)
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)
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)
Price DOES Matter! Modeling Price and Interest Preferences in Session-based Recommendation [55.0391061198924]
セッションベースのレコメンデーションは、匿名ユーザが自分の短い行動シーケンスに基づいて購入したいアイテムを予測することを目的としている。セッションベースのレコメンデーションの価格設定を組み込むのは簡単ではない。セッションベースレコメンデーションのためのCoHHN(Co-guided Heterogeneous Hypergraph Network)を提案する。
論文参考訳（メタデータ） (2022-05-09T10:47:15Z)
Continuous-Time User Preference Modelling for Temporal Sets Prediction [32.35733523016208]
時間集合予測のための連続時間ユーザ嗜好モデリングフレームワークを提案する。まず、ユーザ-セットのインタラクションを非退行時間順序でアレンジすることで、普遍的なシーケンスを構築する。各インタラクションに対して,現在符号化されているメッセージと過去の記憶に基づいて,関連するユーザおよび要素の記憶を継続的に更新する。
論文参考訳（メタデータ） (2022-04-12T02:49:27Z)
A Dynamic Meta-Learning Model for Time-Sensitive Cold-Start Recommendations [24.815498451832347]
本稿では,過去にインタラクションがあったが,最近は比較的非アクティブなユーザに焦点を当てた,新しい動的レコメンデーションモデルを提案する。近年のインタラクションが不足しているため、これらのユーザの現在の好みを正確に把握することは困難である。
論文参考訳（メタデータ） (2022-04-03T02:04:12Z)
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)
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)
Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback based Recommendation [59.183016033308014]
本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
論文参考訳（メタデータ） (2021-05-16T08:06:22Z)
TLSAN: Time-aware Long- and Short-term Attention Network for Next-item Recommendation [0.0]
我々は,TLSAN(Long-Aware and Short-Term Attention Network)を提案する。 TLSANは、長期的行動におけるカテゴリ認識相関を伴うトレーニング可能なパーソナライズされた時間位置埋め込みによって、ユーザー固有の時間的嗜好を学習する。ユーザの長期的および短期的好みを効果的に捉え、正確な推奨のために、長期的および短期的機能的注意層が提案される。
論文参考訳（メタデータ） (2021-03-16T10:51:57Z)
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)

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。