論文の概要: USER: A Unified Information Search and Recommendation Model based on
Integrated Behavior Sequence
- arxiv url: http://arxiv.org/abs/2109.15012v1
- Date: Thu, 30 Sep 2021 11:06:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-01 14:44:24.001511
- Title: USER: A Unified Information Search and Recommendation Model based on
Integrated Behavior Sequence
- Title(参考訳): USER:統合行動系列に基づく統合情報検索と勧告モデル
- Authors: Jing Yao, Zhicheng Dou, Ruobing Xie, Yanxiong Lu, Zhiping Wang,
Ji-Rong Wen
- Abstract要約: これら2つのタスクを共同でモデリングすることで,両者のメリットが得られ,最終的にはユーザ満足度が向上する,と私たちは主張する。
本稿では,まず,ユーザの振る舞いを検索とレコメンデーションに組み込んだ異種行動シーケンスを提案し,その上で,両タスクの処理にジョイントモデルを利用する。
- 参考スコア(独自算出の注目度): 36.91974576050925
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Search and recommendation are the two most common approaches used by people
to obtain information. They share the same goal -- satisfying the user's
information need at the right time. There are already a lot of Internet
platforms and Apps providing both search and recommendation services, showing
us the demand and opportunity to simultaneously handle both tasks. However,
most platforms consider these two tasks independently -- they tend to train
separate search model and recommendation model, without exploiting the
relatedness and dependency between them. In this paper, we argue that jointly
modeling these two tasks will benefit both of them and finally improve overall
user satisfaction. We investigate the interactions between these two tasks in
the specific information content service domain. We propose first integrating
the user's behaviors in search and recommendation into a heterogeneous behavior
sequence, then utilizing a joint model for handling both tasks based on the
unified sequence. More specifically, we design the Unified Information Search
and Recommendation model (USER), which mines user interests from the integrated
sequence and accomplish the two tasks in a unified way.
- Abstract(参考訳): 検索とレコメンデーションは、人々が情報を得るために使う2つの最も一般的なアプローチである。
彼らは同じ目標 – ユーザの情報ニーズを適切なタイミングで満たす – を共有している。インターネットプラットフォームやアプリがすでに数多く存在する。検索とレコメンデーションの両方サービスを提供しており,両方のタスクを同時に処理する需要と機会を示している。しかしながら,ほとんどのプラットフォームでは,これら2つのタスクを独立して検討している – 検索モデルとレコメンデーションモデルを別々にトレーニングする傾向にあり,それらの関連性や依存性を活用できない。
本稿では,これら2つのタスクを共同でモデル化することで,両者のメリットを享受し,ユーザ満足度を向上する。
特定情報コンテンツサービス領域におけるこれらの2つのタスク間の相互作用について検討する。
まず,検索とレコメンデーションにおけるユーザの振る舞いを不均質な振る舞いシーケンスに統合し,統合されたシーケンスに基づくタスクの両タスクを協調モデルを用いて処理する。
より具体的には、統合されたシーケンスからユーザの興味を抽出し、2つのタスクを統一的に達成する統一情報検索・勧告モデル(USER)を設計する。
関連論文リスト
- BiVRec: Bidirectional View-based Multimodal Sequential Recommendation [55.87443627659778]
我々は,IDとマルチモーダルの両方で推薦タスクを共同で訓練する,革新的なフレームワークであるBivRecを提案する。
BivRecは5つのデータセットで最先端のパフォーマンスを達成し、様々な実用的な利点を示している。
論文 参考訳(メタデータ) (2024-02-27T09:10:41Z) - Learning to Retrieve for Job Matching [22.007634436648427]
本稿では、LinkedInの求人・推薦システムを強化するための学習検索技術の適用について論じる。
確認された雇用データを利用して求職者の求職資格を評価するグラフを構築し、学習したリンクを検索に活用する。
従来の逆インデックスに基づく解に加えて、KNNと項マッチングの両方を効率的にサポートできるon-GPUソリューションを開発した。
論文 参考訳(メタデータ) (2024-02-21T00:05:25Z) - Joint Multiple Intent Detection and Slot Filling with Supervised
Contrastive Learning and Self-Distillation [4.123763595394021]
複数の意図の検出とスロットフィリングは、音声言語理解における基本的かつ重要なタスクである。
インテントを同時に検出し、スロットを抽出できるジョイントモデルが好ましい。
本稿では,これらの課題に対処して複数の意図の検出とスロットフィリングを行う手法を提案する。
論文 参考訳(メタデータ) (2023-08-28T15:36:33Z) - CARE: Co-Attention Network for Joint Entity and Relation Extraction [0.0]
共同エンティティと関係抽出(CARE)のためのコ・アテンション・ネットワークを提案する。
提案手法では,各サブタスクの異なる表現を学習し,機能の重複を回避する。
このアプローチのコアとなるのは,2つのサブタスク間の双方向のインタラクションをキャプチャするコアテンションモジュールです。
論文 参考訳(メタデータ) (2023-08-24T03:40:54Z) - UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question
Answering Over Knowledge Graph [89.98762327725112]
KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。
我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
論文 参考訳(メタデータ) (2022-12-02T04:08:09Z) - BARCOR: Towards A Unified Framework for Conversational Recommendation
Systems [40.464281243375815]
会話推薦のためのBARTに基づく統合フレームワークを提案する。
また,映画領域におけるCRSのための軽量知識グラフの設計と収集を行う。
論文 参考訳(メタデータ) (2022-03-27T09:42:16Z) - Exploring Relational Context for Multi-Task Dense Prediction [76.86090370115]
我々は,共通バックボーンと独立タスク固有のヘッドで表される,密集予測タスクのためのマルチタスク環境を考える。
マルチタスク設定では,グローバルやローカルなど,さまざまな注意に基づくコンテキストを探索する。
タスクペアごとに利用可能なすべてのコンテキストのプールをサンプリングするAdaptive Task-Relational Contextモジュールを提案する。
論文 参考訳(メタデータ) (2021-04-28T16:45:56Z) - CoADNet: Collaborative Aggregation-and-Distribution Networks for
Co-Salient Object Detection [91.91911418421086]
Co-Salient Object Detection (CoSOD)は、2つ以上の関連する画像を含む所定のクエリグループに繰り返し現れる健全なオブジェクトを発見することを目的としている。
課題の1つは、画像間の関係をモデリングし、活用することによって、コ・サリヤ・キューを効果的にキャプチャする方法である。
我々は,複数画像から有能かつ反復的な視覚パターンを捉えるために,エンドツーエンドの協調集約配信ネットワーク(CoADNet)を提案する。
論文 参考訳(メタデータ) (2020-11-10T04:28:11Z) - A Co-Interactive Transformer for Joint Slot Filling and Intent Detection [61.109486326954205]
音声言語理解システム(SLU)を構築する上では,インテント検出とスロットフィリングが主要な2つのタスクである。
以前の研究では、2つのタスクを個別にモデル化するか、インテントからスロットへの単一の情報フローのみを考慮していた。
本稿では,2つのタスク間の相互影響を同時に検討するコ・インターアクティブ・トランスフォーマーを提案する。
論文 参考訳(メタデータ) (2020-10-08T10:16:52Z)
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。