論文の概要: Modeling Dynamic Attributes for Next Basket Recommendation

• arxiv url: http://arxiv.org/abs/2109.11654v1
• Date: Thu, 23 Sep 2021 21:31:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-27 14:07:30.458039
• Title: Modeling Dynamic Attributes for Next Basket Recommendation
• Title（参考訳）: 次世代バスケットレコメンデーションのための動的属性のモデリング
• Authors: Yongjun Chen, Jia Li, Chenghao Liu, Chenxi Li, Markus Anderle, Julian McAuley, Caiming Xiong
• Abstract要約: このような動的属性のモデリングはレコメンデーション性能を高めることができると我々は主張する。 動的属性をモデル化する新しい注意ネットワーク(AnDa)を提案する。
• 参考スコア（独自算出の注目度）: 60.72738829823519
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional approaches to next item and next basket recommendation typically extract users' interests based on their past interactions and associated static contextual information (e.g. a user id or item category). However, extracted interests can be inaccurate and become obsolete. Dynamic attributes, such as user income changes, item price changes (etc.), change over time. Such dynamics can intrinsically reflect the evolution of users' interests. We argue that modeling such dynamic attributes can boost recommendation performance. However, properly integrating them into user interest models is challenging since attribute dynamics can be diverse such as time-interval aware, periodic patterns (etc.), and they represent users' behaviors from different perspectives, which can happen asynchronously with interactions. Besides dynamic attributes, items in each basket contain complex interdependencies which might be beneficial but nontrivial to effectively capture. To address these challenges, we propose a novel Attentive network to model Dynamic attributes (named AnDa). AnDa separately encodes dynamic attributes and basket item sequences. We design a periodic aware encoder to allow the model to capture various temporal patterns from dynamic attributes. To effectively learn useful item relationships, intra-basket attention module is proposed. Experimental results on three real-world datasets demonstrate that our method consistently outperforms the state-of-the-art.
• Abstract（参考訳）: 次のアイテムや次のバスケットの推奨に対する従来のアプローチは、通常、過去のインタラクションと関連する静的なコンテキスト情報(例えば、ユーザIDやアイテムカテゴリ)に基づいて、ユーザの興味を抽出する。 しかし、抽出された利益は不正確であり、時代遅れになる。 ユーザの収入の変化、アイテムの価格の変化(例)、時間とともに変化する動的属性。 このようなダイナミクスは、ユーザーの興味の進化を本質的に反映することができる。 このような動的属性のモデリングはレコメンデーション性能を高めることができる。 しかし、属性のダイナミクスは時間内認識や周期パターン(例)など多種多様であり、異なる視点からユーザの振る舞いを表現し、インタラクションと非同期に発生するため、ユーザ関心モデルに適切に統合することは困難である。 動的属性の他に、各バスケット内のアイテムには複雑な相互依存性が含まれており、効果的にキャプチャするには有益だが非自明である。 これらの課題に対処するために、動的属性(AnDa)をモデル化する新しい注意ネットワークを提案する。 AnDaは動的属性とバスケットアイテムシーケンスを別々にエンコードする。 モデルが動的属性から様々な時間パターンをキャプチャできるように周期的に認識するエンコーダを設計した。 有用なアイテム関係を効果的に学習するために,バスケット内注目モジュールを提案する。 3つの実世界のデータセットにおける実験結果は、この手法が最先端の手法を一貫して上回っていることを示している。

関連論文リスト

• Learning Dynamic Attribute-factored World Models for Efficient Multi-object Reinforcement Learning [6.447052211404121]
  多くの強化学習タスクでは、エージェントは異なるタイプの多くのオブジェクトと対話し、目に見えない組み合わせやオブジェクト数に一般化する必要がある。 最近の研究は、サンプル効率を改善するために、オブジェクト指向表現と階層的抽象化の利点を示している。 本稿では、動的属性FacTored RL(DAFT-RL)フレームワークを導入し、オブジェクト属性の係数化の利点を利用する。
  論文  参考訳（メタデータ） (2023-07-18T12:41:28Z)
• Multi-Behavior Sequential Recommendation with Temporal Graph Transformer [66.10169268762014]
  マルチビヘイビア・インタラクティブなパターンを意識した動的ユーザ・イテム関係学習に取り組む。 本稿では,動的短期および長期のユーザ・イテム対話パターンを共同でキャプチャする,TGT(Temporal Graph Transformer)レコメンデーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-06T15:42:54Z)
• Can I see an Example? Active Learning the Long Tail of Attributes and Relations [64.50739983632006]
  視覚シーンの属性や関係を問う,新たな逐次能動学習フレームワークを提案する。 従来のアクティブな学習手法では、特定の例のラベルを求めるが、エージェントが特定のカテゴリからサンプルを求めることができるように、このフレーミングを反転させる。 このフレーミングを用いて、データ分布の尾からサンプルを求めるアクティブサンプリング手法を導入し、Visual Genomeの古典的アクティブラーニング手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-03-11T19:28:19Z)
• Graph Neural Networks with Dynamic and Static Representations for Social Recommendation [13.645346050614855]
  本稿では,ソーシャルレコメンデーション(GNN-DSR)のための動的および静的表現を備えたグラフニューラルネットワークを提案する。 注意機構は、対象ユーザに対するユーザの社会的影響と、所定のアイテムに対する相関項目の影響を集約するために使用される。 3つの実世界のレコメンデータシステムデータセットの実験は、GNN-DSRの有効性を検証する。
  論文  参考訳（メタデータ） (2022-01-26T05:07:17Z)
• 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)
• Dynamic Graph Collaborative Filtering [64.87765663208927]
  動的レコメンデーションは,逐次データに基づくリアルタイム予測を提供するレコメンデータシステムにとって不可欠である。 本稿では、動的グラフを利用して協調関係とシーケンシャル関係をキャプチャする新しいフレームワーク、Dynamic Graph Collaborative Filtering (DGCF)を提案する。 提案手法は, 動的協調情報の統合の有効性を示すため, 動作繰り返しの少ないデータセットでは高い性能を実現する。
  論文  参考訳（メタデータ） (2021-01-08T04:16:24Z)
• Joint Item Recommendation and Attribute Inference: An Adaptive Graph Convolutional Network Approach [61.2786065744784]
  レコメンデーションシステムでは、ユーザとアイテムは属性に関連付けられ、ユーザはアイテムの好みを表示する。 ユーザ(item)属性をアノテートすることは労働集約的なタスクであるため、属性値が欠落している多くの属性値と不完全であることが多い。 本稿では,共同項目推薦と属性推論のための適応グラフ畳み込みネットワーク(AGCN)アプローチを提案する。
  論文  参考訳（メタデータ） (2020-05-25T10:50:01Z)

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。