Fugu-MT 論文翻訳(概要): Data Augmentation Using Many-To-Many RNNs for Session-Aware Recommender Systems

論文の概要: Data Augmentation Using Many-To-Many RNNs for Session-Aware Recommender Systems

arxiv url: http://arxiv.org/abs/2108.09858v1
Date: Sun, 22 Aug 2021 22:12:25 GMT
ステータス: 処理完了
システム内更新日: 2021-08-25 00:27:09.748695
Title: Data Augmentation Using Many-To-Many RNNs for Session-Aware Recommender Systems
Title（参考訳）: セッションアウェア・レコメンダシステムのための多人数RNNを用いたデータ拡張
Authors: Mart\'in Baigorria Alonso
Abstract要約: Booking.comが主催するACM WSDM WebTour 2021 Challengeは、旅行ドメインにSession-Awareレコメンダシステムを適用することに焦点を当てている。本稿では,各ステップでユーザが選択した次の宛先を予測する多対多のRNNモデルを提案する。私たちのソリューションは,最終的なリーダボードでは4位,精度は0.5566で達成しました。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The ACM WSDM WebTour 2021 Challenge organized by Booking.com focuses on applying Session-Aware recommender systems in the travel domain. Given a sequence of travel bookings in a user trip, we look to recommend the user's next destination. To handle the large dimensionality of the output's space, we propose a many-to-many RNN model, predicting the next destination chosen by the user at every sequence step as opposed to only the final one. We show how this is a computationally efficient alternative to doing data augmentation in a many-to-one RNN, where we consider every subsequence of a session starting from the first element. Our solution achieved 4th place in the final leaderboard, with an accuracy@4 of 0.5566.
Abstract（参考訳）: booking.com が主催する acm wsdm webtour 2021 challenge では,旅行ドメインにセッションアウェアレコメンダシステムを適用することに焦点を当てている。ユーザ旅行における旅行予約のシーケンスを考えると、私たちはユーザの次の目的地を推奨します。出力空間の広い次元を扱うため,本論文では,ユーザが選択した次の目的地を,最終ステップではなくシーケンスステップ毎に予測する多対多のrnnモデルを提案する。 1つのrnnでデータ拡張を行うのに、これが計算効率の良い代替手段であることを示し、最初の要素から始まり、セッションの全てのサブシーケンスを考える。私たちのソリューションは最終リードボードで4位となり、精度@4は 0.5566でした。

関連論文リスト

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)
Amazon-M2: A Multilingual Multi-locale Shopping Session Dataset for Recommendation and Text Generation [127.35910314813854]
Amazon Multi-locale Shopping Sessionデータセット、すなわちAmazon-M2を提示します。 6つの異なるローカライズされた数百万のユーザセッションからなる、最初の多言語データセットである。注目すべきは、データセットがパーソナライズとユーザの好みの理解を高めるのに役立つことだ。
論文参考訳（メタデータ） (2023-07-19T00:08:49Z)
Recommender Systems with Generative Retrieval [58.454606442670034]
本稿では,対象候補の識別子を自己回帰的に復号する新たな生成検索手法を提案する。そのために、各項目のセマンティックIDとして機能するために、意味論的に意味のあるコードワードを作成します。提案手法を用いて学習した推薦システムは,様々なデータセット上での現在のSOTAモデルよりも大幅に優れていることを示す。
論文参考訳（メタデータ） (2023-05-08T21:48:17Z)
kNN-Embed: Locally Smoothed Embedding Mixtures For Multi-interest Candidate Retrieval [7.681386867564213]
kNN-Embedは、各ユーザを、学習したアイテムクラスタ上のスムーズな混合として表現し、ユーザの“関心”を表現している。我々は、kNN-Embedを標準のANN候補検索と比較し、全体的なリコールの改善と3つのデータセット間の多様性の向上を示す。
論文参考訳（メタデータ） (2022-05-12T16:42:24Z)
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)
PG$^2$Net: Personalized and Group Preferences Guided Network for Next Place Prediction [6.276895823979034]
訪問先を予測することは、人間の移動行動の鍵となる。我々は、パーソナライズされたグループ選好ガイドネットワーク(PG$2$Net)というエンドツーエンドフレームワークを提案する。
論文参考訳（メタデータ） (2021-10-15T07:02:41Z)
SR-HetGNN:Session-based Recommendation with Heterogeneous Graph Neural Network [20.82060191403763]
セッションベースレコメンデーションシステムは、前のセッションシーケンスに基づいて、ユーザの次のクリックを予測することを目的としている。セッション埋め込みを学習するために異種グラフニューラルネットワーク(HetGNN)を用いたセッション推薦手法SR-HetGNNを提案する。 SR-HetGNNは、DigineticaとTmallの2つの実際の大規模データセットに対する広範な実験を通じて、既存の最先端セッションベースのレコメンデーション手法よりも優れていることが示されている。
論文参考訳（メタデータ） (2021-08-12T10:12:48Z)
Attention-based neural re-ranking approach for next city in trip recommendations [77.34726150561087]
本稿では,旅行予約システムにおける次の目的地都市推薦問題へのアプローチについて述べる。本研究では,候補選択のためのアプローチと,候補再選のための注意ニューラルネットワークモデルを提案する。
論文参考訳（メタデータ） (2021-03-23T11:56:40Z)
Modeling Multi-Destination Trips with Sketch-Based Model [0.745554610293091]
本研究では,Booking Data Challengeコンペティションへの適用を検討する。この課題の目的は、数百万の匿名の宿泊予約を持つデータセットに基づいて、ユーザー旅行の次の目的地に最適なレコメンデーションを行うことである。
論文参考訳（メタデータ） (2021-02-22T18:36:11Z)
Many-to-one Recurrent Neural Network for Session-based Recommendation [0.0]
本稿では、RecSys Challenge 2019に対するD2KLabチームのアプローチを紹介する。ユーザセッションに基づいた宿泊を推奨するタスクに重点を置いている。本稿では,ユーザが宿泊施設をクリックした確率を学習する多対一の繰り返しニューラルネットワークを提案する。
論文参考訳（メタデータ） (2020-08-25T16:07:23Z)
Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
論文参考訳（メタデータ） (2020-05-19T10:18:43Z)

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。