論文の概要: Context-aware Tree-based Deep Model for Recommender Systems

• arxiv url: http://arxiv.org/abs/2109.10602v1
• Date: Wed, 22 Sep 2021 09:06:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-23 13:40:28.439784
• Title: Context-aware Tree-based Deep Model for Recommender Systems
• Title（参考訳）: レコメンダシステムのための文脈認識木ベース深層モデル
• Authors: Daqing Chang, Jintao Liu, Ziru Xu, Han Li, Han Zhu, Xiaoqiang Zhu
• Abstract要約: 木構造Tをインデックスとし、T上の葉ノードにコーパス内の各項目をアタッチする。 本稿では,木に基づく手法の効率的な検索を支援するために用いた木指標が,コーパスに関する豊富な階層情報を持っていることを論じる。 本稿では,コメンテータシステムのための新しいコンテキスト対応ツリーベースディープモデル(ConTDM)を提案する。
• 参考スコア（独自算出の注目度）: 22.537595224145356
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: How to predict precise user preference and how to make efficient retrieval from a big corpus are two major challenges of large-scale industrial recommender systems. In tree-based methods, a tree structure T is adopted as index and each item in corpus is attached to a leaf node on T . Then the recommendation problem is converted into a hierarchical retrieval problem solved by a beam search process efficiently. In this paper, we argue that the tree index used to support efficient retrieval in tree-based methods also has rich hierarchical information about the corpus. Furthermore, we propose a novel context-aware tree-based deep model (ConTDM) for recommender systems. In ConTDM, a context-aware user preference prediction model M is designed to utilize both horizontal and vertical contexts on T . Horizontally, a graph convolutional layer is used to enrich the representation of both users and nodes on T with their neighbors. Vertically, a parent fusion layer is designed in M to transmit the user preference representation in higher levels of T to the current level, grasping the essence that tree-based methods are generating the candidate set from coarse to detail during the beam search retrieval. Besides, we argue that the proposed user preference model in ConTDM can be conveniently extended to other tree-based methods for recommender systems. Both experiments on large scale real-world datasets and online A/B test in large scale industrial applications show the significant improvements brought by ConTDM.
• Abstract（参考訳）: 大規模産業レコメンデーションシステムにおいて, 正確なユーザ嗜好の予測方法と, 大規模コーパスからの効率的な検索方法が大きな課題である。 木ベースの手法では、木構造tをインデックスとして、コーパスの各項目をt上の葉ノードにアタッチする。 そして、レコメンデーション問題はビーム探索処理によって解決された階層検索問題に効率的に変換される。 本稿では,木ベース手法における効率的な検索を支援するために使用される木インデックスは,コーパスに関する階層的情報も豊富であると主張する。 さらに,レコメンダシステムのための新しいコンテキスト対応ツリーベースディープモデル(ConTDM)を提案する。 ConTDMでは、コンテキスト対応のユーザ嗜好予測モデルMが、T上の水平コンテキストと垂直コンテキストの両方を利用するように設計されている。 水平的に、グラフ畳み込み層は、T 上のユーザとノードの両方を隣人と表現するために使用される。 垂直的には、Mで親融合層を設計し、Tの上位レベルにおけるユーザの嗜好表現を現在のレベルに送信し、ビーム探索中に木ベースの手法が粗い集合から詳細まで候補セットを生成するという本質を把握する。 さらに,提案したConTDMのユーザ嗜好モデルを,他のツリーベース手法に便利に拡張してレコメンダシステムを提案する。 大規模実世界のデータセットと大規模産業アプリケーションにおけるオンラインA/Bテストの両方の実験は、ConTDMによる大幅な改善を示している。

関連論文リスト

• Unleash LLMs Potential for Recommendation by Coordinating Twin-Tower Dynamic Semantic Token Generator [60.07198935747619]
  動的セマンティック・インデックス・パラダイムを採用した最初の生成型RSであるTTDS(Twin-Tower Dynamic Semantic Recommender)を提案する。 より具体的には、ツイン・トワー・セマンティック・トークン・ジェネレータをLLMベースのレコメンデータに統合する動的知識融合フレームワークを初めて提案する。 提案したTTDSレコメンデータは,平均19.41%のヒットレート,20.84%のNDCG測定値を実現している。
  論文  参考訳（メタデータ） (2024-09-14T01:45:04Z)
• Learning Deep Tree-based Retriever for Efficient Recommendation: Theory and Method [76.31185707649227]
  効率的なレコメンデーションのために,Deep Tree-based Retriever (DTR)を提案する。 DTRは、トレーニングタスクを、同じレベルでツリーノード上のソフトマックスベースのマルチクラス分類としてフレーム化している。 非リーフノードのラベル付けによって引き起こされる準最適性を緩和するため、損失関数の補正法を提案する。
  論文  参考訳（メタデータ） (2024-08-21T05:09:53Z)
• ACE: A Generative Cross-Modal Retrieval Framework with Coarse-To-Fine Semantic Modeling [53.97609687516371]
  我々は、エンドツーエンドのクロスモーダル検索のための先駆的なジェネリッククロスモーダル rEtrieval framework (ACE) を提案する。 ACEは、クロスモーダル検索における最先端のパフォーマンスを達成し、Recall@1の強いベースラインを平均15.27%上回る。
  論文  参考訳（メタデータ） (2024-06-25T12:47:04Z)
• Dynamic Embedding Size Search with Minimum Regret for Streaming Recommender System [39.78277554870799]
  同一かつ静的な埋め込みサイズの設定は、推奨性能とメモリコストの面で準最適であることを示す。 非定常的な方法でユーザ側とアイテム側の埋め込みサイズ選択を最小化する手法を提案する。
  論文  参考訳（メタデータ） (2023-08-15T13:27:18Z)
• Hierarchical clustering with dot products recovers hidden tree structure [53.68551192799585]
  本稿では,階層構造の回復に着目した凝集クラスタリングアルゴリズムの新しい視点を提案する。 クラスタを最大平均点積でマージし、例えば最小距離やクラスタ内分散でマージしないような、標準的なアルゴリズムの単純な変種を推奨する。 このアルゴリズムにより得られた木は、汎用確率的グラフィカルモデルの下で、データ中の生成的階層構造をボナフェイド推定することを示した。
  論文  参考訳（メタデータ） (2023-05-24T11:05:12Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• DGEM: A New Dual-modal Graph Embedding Method in Recommendation System [18.33515434926957]
  現在のディープラーニングベースレコメンデーションシステムでは, 高次元スパース特徴ベクトルから低次元密度特徴ベクトルへの変換を完了させるために, 埋め込み方式が一般的である。 本稿では,これらの問題を解決するためにDual-modal Graph Embedding Method (DGEM)を提案する。
  論文  参考訳（メタデータ） (2021-08-09T13:31:56Z)
• Deep Recursive Embedding for High-Dimensional Data [10.499461691493526]
  深層ニューラルネットワーク(DNN)と,高次元データ埋め込みのための数学的基盤埋め込み規則を組み合わせることを提案する。 本実験は,高次元データ埋め込みにおけるDRE(Deep Recursive Embedding)の優れた性能を示すものである。
  論文  参考訳（メタデータ） (2021-04-12T03:04:38Z)
• A Generic Network Compression Framework for Sequential Recommender Systems [71.81962915192022]
  シークエンシャルレコメンデーションシステム(SRS)は,ユーザの動的関心を捉え,高品質なレコメンデーションを生成する上で重要な技術となっている。 CpRecと呼ばれる圧縮されたシーケンシャルレコメンデーションフレームワークを提案する。 大規模なアブレーション研究により、提案したCpRecは実世界のSRSデータセットにおいて最大4$sim$8倍の圧縮速度を達成できることを示した。
  論文  参考訳（メタデータ） (2020-04-21T08:40:55Z)

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。