論文の概要: Interest-oriented Universal User Representation via Contrastive Learning
- arxiv url: http://arxiv.org/abs/2109.08865v1
- Date: Sat, 18 Sep 2021 07:42:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-21 16:22:18.789786
- Title: Interest-oriented Universal User Representation via Contrastive Learning
- Title（参考訳）: コントラスト学習による興味指向ユニバーサルユーザ表現
- Authors: Qinghui Sun, Jie Gu, Bei Yang, XiaoXiao Xu, Renjun Xu, Shangde Gao,
Hong Liu, Huan Xu
- Abstract要約: 我々は2つの視点から普遍的なユーザ表現を改善することを試みる。
表現モデルトレーニングを導くために、対照的な自己教師型学習パラダイムが提示される。
新規な多目的抽出モジュールが提示される。
- 参考スコア（独自算出の注目度）: 28.377233340976197
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: User representation is essential for providing high-quality commercial
services in industry. Universal user representation has received many interests
recently, with which we can be free from the cumbersome work of training a
specific model for each downstream application. In this paper, we attempt to
improve universal user representation from two points of views. First, a
contrastive self-supervised learning paradigm is presented to guide the
representation model training. It provides a unified framework that allows for
long-term or short-term interest representation learning in a data-driven
manner. Moreover, a novel multi-interest extraction module is presented. The
module introduces an interest dictionary to capture principal interests of the
given user, and then generate his/her interest-oriented representations via
behavior aggregation. Experimental results demonstrate the effectiveness and
applicability of the learned user representations.
- Abstract（参考訳）: 企業における高品質な商用サービスの提供には,ユーザ表現が不可欠だ。
ユニバーサルユーザ表現は最近多くの関心を集めており、ダウンストリームアプリケーションごとに特定のモデルをトレーニングするという面倒な作業から解放されています。
本稿では,2つの視点から普遍的なユーザ表現を改善することを試みる。
まず、表現モデルトレーニングの指針として、対照的な自己指導型学習パラダイムを示す。
データ駆動型の長期的あるいは短期的な関心表現学習を可能にする統一的なフレームワークを提供する。
さらに、新規な多目的抽出モジュールを示す。
このモジュールは、あるユーザの主興味を捉え、行動アグリゲーションを介して彼の関心指向の表現を生成するための興味辞書を導入する。
実験結果は,学習したユーザ表現の有効性と適用性を示す。
関連論文リスト
- LLM-assisted Explicit and Implicit Multi-interest Learning Framework for Sequential Recommendation [50.98046887582194]
本研究では,ユーザの興味を2つのレベル – 行動と意味論 – でモデル化する,明示的で暗黙的な多目的学習フレームワークを提案する。
提案するEIMFフレームワークは,小型モデルとLLMを効果的に組み合わせ,多目的モデリングの精度を向上させる。
論文 参考訳（メタデータ） (2024-11-14T13:00:23Z) - Adaptive Learning on User Segmentation: Universal to Specific Representation via Bipartite Neural Interaction [15.302921887305283]
本稿では,情報ボトルネックを通じて汎用ユーザ表現を学習する新しい学習フレームワークを提案する。
次に、ニューラルネットワークを通じてセグメンテーション特化あるいはタスク特化表現をマージし、学習する。
提案手法は2つのオープンソースベンチマーク、2つのオフラインビジネスデータセットで評価され、ユーザのCVRを予測するために2つのオンラインマーケティングアプリケーションにデプロイされる。
論文 参考訳（メタデータ） (2024-09-23T12:02:23Z) - Generalized User Representations for Transfer Learning [6.953653891411339]
本稿では,大規模レコメンデーションシステムにおけるユーザ表現のための新しいフレームワークを提案する。
提案手法は,表現学習と伝達学習を組み合わせた2段階の手法を用いる。
提案するフレームワークは,代替手法と比較して,インフラコストを大幅に削減できることを示す。
論文 参考訳（メタデータ） (2024-03-01T15:05:21Z) - A Model-Agnostic Framework for Recommendation via Interest-aware Item
Embeddings [4.989653738257287]
Interest-Aware Capsule Network (IaCN)は、関心指向のアイテム表現を直接学習するモデルに依存しないフレームワークである。
IaCNは補助的なタスクとして機能し、アイテムベースと興味ベースの両方の表現の合同学習を可能にする。
提案手法をベンチマークデータセットで評価し、異なるディープニューラルネットワークを含むさまざまなシナリオを探索する。
論文 参考訳（メタデータ） (2023-08-17T22:40:59Z) - Feature Decoupling-Recycling Network for Fast Interactive Segmentation [79.22497777645806]
近年のインタラクティブセグメンテーション手法では,入力としてソースイメージ,ユーザガイダンス,従来予測されていたマスクを反復的に取り込んでいる。
本稿では,本質的な相違点に基づいてモデリングコンポーネントを分離するFDRN(Feature Decoupling-Recycling Network)を提案する。
論文 参考訳（メタデータ） (2023-08-07T12:26:34Z) - Empowering General-purpose User Representation with Full-life Cycle
Behavior Modeling [11.698166058448555]
本稿では,この課題に対処するために,フルライフサイクルユーザ表現モデル(LURM)と呼ばれる新しいフレームワークを提案する。
LURMは2つのカスケードサブモデルで構成されている: (I) Bag-of-Interests (BoI) は、任意の期間におけるユーザの振る舞いを超高次元のスパースベクトル(例:105)にエンコードする。
SMENは、ユーザ関心の異なる側面を学習できる新しいマルチアンカーモジュールの恩恵を受け、ほぼ次元の削減を実現している。
論文 参考訳（メタデータ） (2021-10-20T08:24:44Z) - 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) - Reinforcement Learning with Prototypical Representations [114.35801511501639]
Proto-RLは、プロトタイプ表現を通じて表現学習と探索を結び付ける自己監督型フレームワークである。
これらのプロトタイプは、エージェントの探索経験の要約と同時に、観察を表す基盤としても機能する。
これにより、困難な連続制御タスクのセットで最新の下流ポリシー学習が可能になります。
論文 参考訳（メタデータ） (2021-02-22T18:56:34Z) - Exploiting Behavioral Consistence for Universal User Representation [11.290137806288191]
我々は普遍的ユーザ表現モデルの開発に注力する。
得られた普遍表現には豊富な情報が含まれることが予想される。
行動データを普遍表現にエンコードする自己監視型ユーザモデリングネットワーク(SUMN)を提案する。
論文 参考訳（メタデータ） (2020-12-11T06:10:14Z) - Explainable Recommender Systems via Resolving Learning Representations [57.24565012731325]
説明はユーザー体験を改善し、システムの欠陥を発見するのに役立つ。
本稿では,表現学習プロセスの透明性を向上させることによって,説明可能な新しい推薦モデルを提案する。
論文 参考訳（メタデータ） (2020-08-21T05:30:48Z) - Disentangled Graph Collaborative Filtering [100.26835145396782]
Disentangled Graph Collaborative Filtering (DGCF)は、インタラクションデータからユーザとアイテムの情報表現を学ぶための新しいモデルである。
ユーザ・イテムのインタラクション毎に意図を超越した分布をモデル化することにより、インテント・アウェアなインタラクショングラフと表現を反復的に洗練する。
DGCFはNGCF、DisenGCN、MacridVAEといった最先端モデルよりも大幅に改善されている。
論文 参考訳（メタデータ） (2020-07-03T15:37:25Z)
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。