論文の概要: A Next Basket Recommendation Reality Check

• arxiv url: http://arxiv.org/abs/2109.14233v1
• Date: Wed, 29 Sep 2021 07:14:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-30 14:43:42.621943
• Title: A Next Basket Recommendation Reality Check
• Title（参考訳）: 次のバスケットレコメンデーションの現実チェック
• Authors: Ming Li, Sami Jullien, Mozhdeh Ariannezhad, Maarten de Rijke
• Abstract要約: 次のバスケットレコメンデーション(NBR)システムの目標は、以前のバスケットのシーケンスに基づいて、次のバスケットのアイテムをユーザに推奨することである。 我々は,反復と探索の区別を中心に,次のバスケット推薦手法の評価について,新しい角度を提供する。 NBRモデルの繰り返し/爆発率と性能を測定する指標のセットを提案する。
• 参考スコア（独自算出の注目度）: 48.29308926607474
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The goal of a next basket recommendation (NBR) system is to recommend items for the next basket for a user, based on the sequence of their prior baskets. Recently, a number of methods with complex modules have been proposed that claim state-of-the-art performance. They rarely look into the predicted basket and just provide intuitive reasons for the observed improvements, e.g., better representation, capturing intentions or relations, etc. We provide a novel angle on the evaluation of next basket recommendation methods, centered on the distinction between repetition and exploration: the next basket is typically composed of previously consumed items (i.e., repeat items) and new items (i.e, explore items). We propose a set of metrics that measure the repeat/explore ratio and performance of NBR models. Using these new metrics, we analyze state-of-the-art NBR models. The results of our analysis help to clarify the extent of the actual progress achieved by existing NBR methods as well as the underlying reasons for the improvements. Overall, our work sheds light on the evaluation problem of NBR and provides useful insights into the model design for this task.
• Abstract（参考訳）: 次のバスケットレコメンデーション(nbr)システムの目標は、前のバスケットのシーケンスに基づいて、ユーザに次のバスケットのアイテムを推奨することである。 近年,最先端性能を主張する複雑なモジュールを持つ手法が提案されている。 彼らは予測されたバスケットを調べることは滅多になく、観察された改善の直感的な理由、例えば表現の改善、意図や関係のキャプチャなどを提供します。 本稿では, 繰り返しと探索の区別を主眼とした, 次回のバスケット推薦手法の評価について, 従来使用されていた項目(リピート項目)と新項目(探索項目)の区別を中心に, 新たなアングルを提案する。 NBRモデルの繰り返し/爆発率と性能を測定する指標のセットを提案する。 これらの新しい指標を用いて、最先端のNBRモデルを分析する。 本研究の結果は,既存のNBR法で達成された実際の進歩の程度と,改善の根本原因を明らかにするのに役立つ。 全体として、我々の研究はNBRの評価問題に光を当て、このタスクのモデル設計に関する有用な洞察を提供する。

関連論文リスト

• Are We Really Achieving Better Beyond-Accuracy Performance in Next Basket Recommendation? [57.91114305844153]
  次のバスケットレコメンデーション(NBR)は、ますます注目を集めている特別なタイプのシーケンシャルレコメンデーションである。 NBRに関する最近の研究は、繰り返し項目を推奨することと項目を探索することの間に大きなパフォーマンス差が見つかった。 本稿では,繰り返しアイテムを扱い,個別にアイテムを探索する2段階反復探索フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-02T09:59:35Z)
• Within-basket Recommendation via Neural Pattern Associator [6.474720465174676]
  in-basket Recommation(WBR)は、空でないショッピングバスケットを完了するまでアイテムを推薦するタスクである。 本稿では,ユーザの意図を明示的にモデル化したディープアイテム・アソシエーション・マイニング・モデルであるNeural Pattern Associator (NPA)を提案する。
  論文  参考訳（メタデータ） (2024-01-25T19:40:55Z)
• Hypergraph Enhanced Knowledge Tree Prompt Learning for Next-Basket Recommendation [50.55786122323965]
  次バスケットレコメンデーション(NBR)は、対応するバスケットシーケンスが与えられた次のバスケット内のアイテムを推論することを目的としている。 HEKP4NBRは知識グラフ(KG)をKTP(Knowledge Tree Prompt)と呼ばれるプロンプトに変換し、PLMがOOV(Out-Of-Vocabulary)アイテムIDをエンコードするのを助ける。 ハイパーグラフ畳み込みモジュールは、複数の側面からMoEモデルによって測定されたアイテム類似性に基づいてハイパーグラフを構築するように設計されている。
  論文  参考訳（メタデータ） (2023-12-26T02:12:21Z)
• Masked and Swapped Sequence Modeling for Next Novel Basket Recommendation in Grocery Shopping [59.52585406731807]
  次のバスケットレコメンデーション(NBR)は、すでに購入したバスケットのシーケンスに基づいて、次のアイテムセットを予測するタスクである。 我々は、次の新しいバスケットレコメンデーション(NNBR)タスク、すなわち、新しいアイテムのみで構成されるバスケットを推奨するタスクを定式化する。
  論文  参考訳（メタデータ） (2023-08-02T17:52:37Z)
• Entailment Tree Explanations via Iterative Retrieval-Generation Reasoner [56.08919422452905]
  我々はIRGR(Iterative Retrieval-Generation Reasoner)と呼ばれるアーキテクチャを提案する。 本モデルでは,テキストの前提からステップバイステップの説明を体系的に生成することにより,与えられた仮説を説明することができる。 前提条件の検索と細分化木の生成に関する既存のベンチマークを上回り、全体の正しさはおよそ300%向上した。
  論文  参考訳（メタデータ） (2022-05-18T21:52:11Z)
• On Estimating Recommendation Evaluation Metrics under Sampling [21.74579327147525]
  サンプリングをレコメンデーション評価に使用する方法についての理解とコンセンサスが未だに欠けている。 本稿では,経験的ランク分布の学習に関する新しい研究課題と,推定ランク分布に基づく新しいアプローチを導入し,トップkの指標を推定する。
  論文  参考訳（メタデータ） (2021-03-02T05:08:21Z)
• Modeling Personalized Item Frequency Information for Next-basket Recommendation [63.94555438898309]
  次世代レコメンデーション(NBR)は、電子商取引や小売業界で一般的である。 既存のRNNでは,レコメンデーションシナリオにおいて,アイテムの周波数情報を直接キャプチャすることはできない。 我々はこれらの臨界信号を直接利用する簡単なアイテム周波数に基づくk-nearest neighbors (kNN)法を提案する。
  論文  参考訳（メタデータ） (2020-05-31T16:42:39Z)

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。