論文の概要: Denoising User-aware Memory Network for Recommendation
- arxiv url: http://arxiv.org/abs/2107.05474v1
- Date: Mon, 12 Jul 2021 14:39:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-13 15:49:44.115750
- Title: Denoising User-aware Memory Network for Recommendation
- Title（参考訳）: レコメンデーションのためのユーザ対応メモリネットワーク
- Authors: Zhi Bian, Shaojun Zhou, Hao Fu, Qihong Yang, Zhenqi Sun, Junjie Tang,
Guiquan Liu, Kaikui Liu, Xiaolong Li
- Abstract要約: 我々はDUMN(Denoising User-Aware memory network)という新しいCTRモデルを提案する。
DUMNは明示的なフィードバックの表現を使用して、暗黙的なフィードバックの表現を浄化し、暗黙的なフィードバックを効果的に軽視する。
2つの実際のEコマースユーザ行動データセットの実験は、DUMNが最先端のベースラインよりも大幅に改善されていることを示している。
- 参考スコア（独自算出の注目度）: 11.145186013006375
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: For better user satisfaction and business effectiveness, more and more
attention has been paid to the sequence-based recommendation system, which is
used to infer the evolution of users' dynamic preferences, and recent studies
have noticed that the evolution of users' preferences can be better understood
from the implicit and explicit feedback sequences. However, most of the
existing recommendation techniques do not consider the noise contained in
implicit feedback, which will lead to the biased representation of user
interest and a suboptimal recommendation performance. Meanwhile, the existing
methods utilize item sequence for capturing the evolution of user interest. The
performance of these methods is limited by the length of the sequence, and can
not effectively model the long-term interest in a long period of time. Based on
this observation, we propose a novel CTR model named denoising user-aware
memory network (DUMN). Specifically, the framework: (i) proposes a feature
purification module based on orthogonal mapping, which use the representation
of explicit feedback to purify the representation of implicit feedback, and
effectively denoise the implicit feedback; (ii) designs a user memory network
to model the long-term interests in a fine-grained way by improving the memory
network, which is ignored by the existing methods; and (iii) develops a
preference-aware interactive representation component to fuse the long-term and
short-term interests of users based on gating to understand the evolution of
unbiased preferences of users. Extensive experiments on two real e-commerce
user behavior datasets show that DUMN has a significant improvement over the
state-of-the-art baselines. The code of DUMN model has been uploaded as an
additional material.
- Abstract（参考訳）: 近年,ユーザ満足度の向上とビジネス効率向上のために,ユーザの動的嗜好の進化を推し進めるシーケンスベースの推薦システムに注目が集まり,暗黙的かつ明示的なフィードバックシーケンスからユーザの嗜好の進化をよりよく理解できることに気付いた。
しかしながら、既存のレコメンデーション技術のほとんどは、暗黙的なフィードバックに含まれるノイズを考慮せず、ユーザの関心の偏りのある表現と、最適でないレコメンデーションパフォーマンスにつながる。
一方,既存の手法では,ユーザ興味の進化を捉えるためにアイテムシーケンスを利用する。
これらの手法の性能はシーケンスの長さによって制限され、長期間の長期的な関心を効果的にモデル化することはできない。
そこで本研究では,ユーザ認識メモリネットワーク(DUMN)と呼ばれる新しいCTRモデルを提案する。
Specifically, the framework: (i) proposes a feature purification module based on orthogonal mapping, which use the representation of explicit feedback to purify the representation of implicit feedback, and effectively denoise the implicit feedback; (ii) designs a user memory network to model the long-term interests in a fine-grained way by improving the memory network, which is ignored by the existing methods; and (iii) develops a preference-aware interactive representation component to fuse the long-term and short-term interests of users based on gating to understand the evolution of unbiased preferences of users.
2つの実際のEコマースユーザ行動データセットに関する大規模な実験は、DUMNが最先端のベースラインよりも大幅に改善されていることを示している。
DUMNモデルのコードは追加資料としてアップロードされている。
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) - 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) - 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) - 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) - 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) - Sequence Adaptation via Reinforcement Learning in Recommender Systems [8.909115457491522]
そこで我々は,SARモデルを提案する。SARモデルは,ユーザとイテムの相互作用のシーケンス長をパーソナライズされた方法で調整する。
さらに,逐次レコメンデーションの精度を批評家ネットワークの予測累積報酬と整合させるために,共同損失関数を最適化する。
実世界の4つのデータセットに対する実験的な評価は,提案モデルがいくつかのベースラインアプローチよりも優れていることを示す。
論文 参考訳（メタデータ） (2021-07-31T13:56:46Z) - 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) - 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 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。