論文の概要: Zero Shot on the Cold-Start Problem: Model-Agnostic Interest Learning for Recommender Systems

• arxiv url: http://arxiv.org/abs/2108.13592v1
• Date: Tue, 31 Aug 2021 02:41:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-01 14:25:55.259476
• Title: Zero Shot on the Cold-Start Problem: Model-Agnostic Interest Learning for Recommender Systems
• Title（参考訳）: コールドスタート問題に対するゼロショット:レコメンデーションシステムのためのモデル非依存関心学習
• Authors: Philip J. Feng, Pingjun Pan, Tingting Zhou, Hongxiang Chen, Chuanjiang Luo
• Abstract要約: 2towerフレームワーク、すなわち、モデルに依存しない関心学習(MAIL)フレームワークは、推奨システムに対するコールドスタートレコメンデーション問題に対処するために提案される。 MAILはゼロショット視点からコールドスタートレコメンデーション問題に取り組み、他のタワーは一般的なランキングタスクに重点を置いている。 提案手法は,NetEase Cloud Musicのライブレコメンデーションシステムに実装され,数百万ユーザに対してクリックスルー率を13%から15%向上させることに成功した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: User behavior has been validated to be effective in revealing personalized preferences for commercial recommendations. However, few user-item interactions can be collected for new users, which results in a null space for their interests, i.e., the cold-start dilemma. In this paper, a two-tower framework, namely, the model-agnostic interest learning (MAIL) framework, is proposed to address the cold-start recommendation (CSR) problem for recommender systems. In MAIL, one unique tower is constructed to tackle the CSR from a zero-shot view, and the other tower focuses on the general ranking task. Specifically, the zero-shot tower first performs cross-modal reconstruction with dual auto-encoders to obtain virtual behavior data from highly aligned hidden features for new users; and the ranking tower can then output recommendations for users based on the completed data by the zero-shot tower. Practically, the ranking tower in MAIL is model-agnostic and can be implemented with any embedding-based deep models. Based on the co-training of the two towers, the MAIL presents an end-to-end method for recommender systems that shows an incremental performance improvement. The proposed method has been successfully deployed on the live recommendation system of NetEase Cloud Music to achieve a click-through rate improvement of 13% to 15% for millions of users. Offline experiments on real-world datasets also show its superior performance in CSR. Our code is available.
• Abstract（参考訳）: ユーザ行動は、商用レコメンデーションのパーソナライズされた好みを明らかにするのに効果的であることが検証されている。 しかし、新しいユーザのためにユーザとイテムのインタラクションを収集することは少ないため、関心事、すなわちコールドスタートジレンマに対するnullスペースが生じる。 本稿では,レコメンダシステムにおけるコールドスタートレコメンデーション(csr)問題に対処するために,モデル非依存利子学習(mail)フレームワークである2-towerフレームワークを提案する。 郵便では、ゼロショットビューからcsrに取り組むために1つのユニークな塔が建設され、もう1つの塔は一般的なランキングタスクに焦点を当てている。 具体的には、ゼロショットタワーは、まずデュアルオートエンコーダを用いてクロスモーダル再構築を行い、新規ユーザのために高度に整列された隠蔽特徴から仮想行動データを取得し、その後、ゼロショットタワーによる完了データに基づいてユーザのためのレコメンデーションを出力することができる。 実際、MAILのランキングタワーはモデルに依存しず、どんな埋め込みベースのディープモデルでも実装できる。 2つのタワーの協調訓練に基づき、MAILはインクリメンタルな性能改善を示すレコメンデータシステムのためのエンドツーエンドの手法を提案する。 提案手法は,NetEase Cloud Musicのライブレコメンデーションシステムに実装され,数百万ユーザに対してクリックスルー率を13%から15%向上させることに成功した。 実世界のデータセットでのオフライン実験もcsrにおいて優れたパフォーマンスを示している。 私たちのコードは利用可能です。

関連論文リスト

• A Large Language Model Enhanced Sequential Recommender for Joint Video and Comment Recommendation [77.42486522565295]
  我々は、パーソナライズされたビデオとコメントのレコメンデーションを共同で行うLSVCRと呼ばれる新しいレコメンデーション手法を提案する。 提案手法は,逐次レコメンデーション(SR)モデルと補足型大規模言語モデル(LLM)レコメンデーションという2つの重要なコンポーネントから構成される。 特に、コメント視聴時間の4.13%が大幅に向上した。
  論文  参考訳（メタデータ） (2024-03-20T13:14:29Z)
• End-to-end Learnable Clustering for Intent Learning in Recommendation [54.157784572994316]
  我々は、アンダーラインELCRecと呼ばれる新しい意図学習手法を提案する。 振る舞い表現学習をUnderlineEnd-to-end UnderlineLearnable UnderlineClusteringフレームワークに統合する。 1億3000万ページビューの産業レコメンデーションシステムに本手法をデプロイし,有望な結果を得る。
  論文  参考訳（メタデータ） (2024-01-11T15:22:55Z)
• Large Language Models are Zero-Shot Rankers for Recommender Systems [76.02500186203929]
  本研究では,レコメンダシステムのランキングモデルとして機能する大規模言語モデル(LLM)の能力を検討することを目的とする。 LLMにはゼロショットランキング能力があるが、歴史的相互作用の順序を理解するのに苦労していることを示す。 これらの問題は、特別に設計されたプロンプトとブートストラップ戦略によって緩和可能であることを実証する。
  論文  参考訳（メタデータ） (2023-05-15T17:57:39Z)
• FELRec: Efficient Handling of Item Cold-Start With Dynamic Representation Learning in Recommender Systems [0.0]
  本稿では、ユーザとアイテムの既存の表現を洗練する大規模な埋め込みネットワークであるFELRecを紹介する。 類似のアプローチとは対照的に、我々のモデルはサイド情報や時間を要する微調整を伴わない新しいユーザやアイテムを表現している。 提案したモデルは、ゼロショット設定でこれまで見られなかったデータセットをうまく一般化する。
  論文  参考訳（メタデータ） (2022-10-30T19:08:38Z)
• Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
  コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。 MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
  論文  参考訳（メタデータ） (2021-10-18T08:11:24Z)
• Click-Through Rate Prediction Using Graph Neural Networks and Online Learning [0.0]
  CTR予測精度のわずかな改善は、広告業界に数百万ドルの収益を追加すると言及されています。 このプロジェクトは、グラフニューラルネットワークとオンライン学習アルゴリズムを使用したCTR予測器の構築に関心がある。
  論文  参考訳（メタデータ） (2021-05-09T01:35:49Z)
• Self-Supervised Reinforcement Learning for Recommender Systems [77.38665506495553]
  逐次リコメンデーションタスクのための自己指導型強化学習を提案する。 提案手法は,2つの出力層を持つ標準レコメンデーションモデルを強化する。 このようなアプローチに基づいて、自己監督型Q-ラーニング(SQN)と自己監督型アクター・クライブ(SAC)という2つのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-10T11:18:57Z)
• Joint Training Capsule Network for Cold Start Recommendation [64.35879555545749]
  本稿では,コールドスタート推薦タスクのための新しいニューラルネットワーク,ジョイントトレーニングカプセルネットワーク(JTCN)を提案する。 低レベルのインタラクション履歴から高レベルのユーザ嗜好を集約するために、注意深いカプセル層を提案する。 2つの公開データセットの実験では、提案モデルの有効性が示されている。
  論文  参考訳（メタデータ） (2020-05-23T04:27:38Z)

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。