論文の概要: PEN4Rec: Preference Evolution Networks for Session-based Recommendation

• arxiv url: http://arxiv.org/abs/2106.09306v1
• Date: Thu, 17 Jun 2021 08:18:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-06-18 15:43:51.425873
• Title: PEN4Rec: Preference Evolution Networks for Session-based Recommendation
• Title（参考訳）: PEN4Rec:セッションベースのレコメンデーションのための参照進化ネットワーク
• Authors: Dou Hu, Lingwei Wei, Wei Zhou, Xiaoyong Huai, Zhiqi Fang, Songlin Hu
• Abstract要約: セッションベースのレコメンデーションは、匿名セッションにおける歴史的な振る舞いに基づいて、ユーザの次のアクションを予測することを目的としている。 より良いレコメンデーションのためには、ユーザの好みとダイナミクスを捉えることが不可欠です。 本稿では,セッションベースレコメンデーション(PEN4Rec)のためのPreference Evolution Networksを提案する。
• 参考スコア（独自算出の注目度）: 10.37267170480306
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Session-based recommendation aims to predict user the next action based on historical behaviors in an anonymous session. For better recommendations, it is vital to capture user preferences as well as their dynamics. Besides, user preferences evolve over time dynamically and each preference has its own evolving track. However, most previous works neglect the evolving trend of preferences and can be easily disturbed by the effect of preference drifting. In this paper, we propose a novel Preference Evolution Networks for session-based Recommendation (PEN4Rec) to model preference evolving process by a two-stage retrieval from historical contexts. Specifically, the first-stage process integrates relevant behaviors according to recent items. Then, the second-stage process models the preference evolving trajectory over time dynamically and infer rich preferences. The process can strengthen the effect of relevant sequential behaviors during the preference evolution and weaken the disturbance from preference drifting. Extensive experiments on three public datasets demonstrate the effectiveness and superiority of the proposed model.
• Abstract（参考訳）: セッションベースのレコメンデーションは、匿名セッションにおける過去の行動に基づいて、ユーザが次のアクションを予測することを目的としている。 より良いレコメンデーションのためには、ユーザの好みとダイナミクスを捉えることが不可欠です。 さらに、ユーザの好みは時間とともに動的に進化し、それぞれの好みは独自の進化トラックを持つ。 しかし、従来の作品の多くは好みの進化傾向を無視しており、好みの漂流の影響で容易に妨げられる。 本稿では,セッションベースレコメンデーション(PEN4Rec)のための新しいPreference Evolution Networksを提案する。 特に、第1段階のプロセスは、最近の項目に従って関連する振る舞いを統合する。 次に、第2段階プロセスは、時間とともに進化する嗜好を動的にモデル化し、リッチな嗜好を推測する。 このプロセスは、嗜好進化中の関連するシーケンシャルな行動の効果を強化し、嗜好の漂流による乱れを弱めることができる。 3つのパブリックデータセットに関する広範な実験は、提案モデルの有効性と優位性を示している。

関連論文リスト

• Preference Trajectory Modeling via Flow Matching for Sequential Recommendation [50.077447974294586]
  シーケンスレコメンデーションは、履歴的なインタラクションシーケンスに基づいて、各ユーザの次の項目を予測する。 FlowRecはシンプルだが効果的なシーケンシャルレコメンデーションフレームワークである。 我々は,ガウス雑音に代えてパーソナライズされた行動に基づく事前分布を構築し,ユーザの嗜好軌跡をモデル化するためのベクトル場を学習する。
  論文  参考訳（メタデータ） (2025-08-25T02:55:42Z)
• NextQuill: Causal Preference Modeling for Enhancing LLM Personalization [82.15961484963256]
  因果選好モデルに基づく新しいパーソナライズフレームワークであるNextQuillを紹介する。 この洞察に基づいて、NextQuillは2つの補完的なアライメント戦略を導入した。 複数のパーソナライズベンチマークの実験により、NextQuillはパーソナライズ品質を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2025-06-03T02:08:55Z)
• What Makes LLMs Effective Sequential Recommenders? A Study on Preference Intensity and Temporal Context [56.590259941275434]
  RecPOは、シーケンシャルなレコメンデーションのための優先順位最適化フレームワークである。 これは、推定された嗜好階層と時間信号に基づいて適応的な報酬マージンを利用する。 タイムリーな満足感、コヒーレントな嗜好の維持、変化する状況下での識別の行使など、人間の意思決定の重要な特徴を反映している。
  論文  参考訳（メタデータ） (2025-06-02T21:09:29Z)
• SPOT-Trip: Dual-Preference Driven Out-of-Town Trip Recommendation [10.65689286167402]
  アウト・オブ・タウン・トリップ・レコメンデーション(Out-of-town trip recommendation)は、出身地から未訪問地域へ旅行するユーザーのために、ポイント・オブ・インテリジェンス(Points of Interest)のシーケンスを生成することを目的としている。 アウト・オブ・タウンのチェックインデータの広さは、そのようなユーザの好みを捉える上で大きな課題となる。 新しいフレームワーク SPOT-Trip が提案され,2つの静的なユーザ嗜好を明示的に学習する。
  論文  参考訳（メタデータ） (2025-06-02T14:11:21Z)
• Slow Thinking for Sequential Recommendation [88.46598279655575]
  本稿では,STREAM-Recという新しいスローシンキングレコメンデーションモデルを提案する。 弊社のアプローチは、過去のユーザの振る舞いを分析し、多段階の熟考的推論プロセスを生成し、パーソナライズされたレコメンデーションを提供する。 具体的には,(1)レコメンデーションシステムにおける適切な推論パターンを特定すること,(2)従来のレコメンデーションシステムの推論能力を効果的に刺激する方法を検討すること,の2つの課題に焦点を当てる。
  論文  参考訳（メタデータ） (2025-04-13T15:53:30Z)
• Preference Discerning with LLM-Enhanced Generative Retrieval [23.559962422900238]
  逐次レコメンデーションでは、モデルがユーザのインタラクション履歴に基づいたアイテムを推奨する。 本稿では,ユーザの嗜好を生成的レコメンデーションモデルに明示的に規定する,選好識別という新たなパラダイムを提案する。 以上の結果から,Menderはトレーニング中に観察されなかったとしても,ヒトの嗜好によって指導される推奨に効果的に適応することが示された。
  論文  参考訳（メタデータ） (2024-12-11T18:26:55Z)
• Incorporating Group Prior into Variational Inference for Tail-User Behavior Modeling in CTR Prediction [8.213386595519928]
  我々は,新しい変分推論手法,すなわちグループ事前サンプリング変分推論(GPSVI)を提案する。 GPSVIは、グループ嗜好を先行として導入し、末尾ユーザーのための潜伏したユーザー関心を洗練させる。 厳密な分析と広範な実験により、GPSVIはテールユーザーの性能を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2024-10-19T13:15:36Z)
• Preference Diffusion for Recommendation [50.8692409346126]
  DMベースのレコメンデータに適した最適化対象であるPreferDiffを提案する。 PreferDiffは、BPRをログライクなランキング目標に変換することで、ユーザの好みをよりよく把握する。 これはDMベースのレコメンデーション向けに特別に設計された、パーソナライズされたランキングの損失である。
  論文  参考訳（メタデータ） (2024-10-17T01:02:04Z)
• Look into the Future: Deep Contextualized Sequential Recommendation [28.726897673576865]
  我々は、Look into the Future(LIFT)と呼ばれる、シーケンシャルなレコメンデーションの新しいフレームワークを提案する。 LIFTはシーケンシャルなレコメンデーションのコンテキストを構築し、活用する。 本実験では,クリックスルー率予測および評価予測タスクにおいて,LIFTは大幅な性能向上を実現している。
  論文  参考訳（メタデータ） (2024-05-23T09:34:28Z)
• 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)
• Long Short-Term Preference Modeling for Continuous-Time Sequential Recommendation [9.965917701831746]
  現実のシナリオでは、ユーザの短期的嗜好は時間とともに動的に進化する。 連続時間系列勧告のための長期的短期予測モデルを提案する。 私たちのメモリメカニズムは、ワンホップ情報を格納するだけでなく、新しいインタラクションをオンラインで引き起こすことができます。
  論文  参考訳（メタデータ） (2022-08-01T03:44:55Z)
• Meta-Wrapper: Differentiable Wrapping Operator for User Interest Selection in CTR Prediction [97.99938802797377]
  クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。 近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。 そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:28:15Z)
• 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)
• Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction [59.221668173521884]
  本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。 エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
  論文  参考訳（メタデータ） (2022-04-18T09:25:06Z)
• 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)

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。