論文の概要: Multiplex Behavioral Relation Learning for Recommendation via Memory Augmented Transformer Network

• arxiv url: http://arxiv.org/abs/2110.04002v1
• Date: Fri, 8 Oct 2021 09:54:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-11 15:28:56.364224
• Title: Multiplex Behavioral Relation Learning for Recommendation via Memory Augmented Transformer Network
• Title（参考訳）: メモリ拡張変圧器ネットワークによる勧告の多重化行動関係学習
• Authors: Lianghao Xia, Chao Huang, Yong Xu, Peng Dai, Bo Zhang, Liefeng Bo
• Abstract要約: 本研究では,メモリ拡張トランスフォーマーネットワーク(MATN)を提案する。 MATNフレームワークでは、まずトランスフォーマーに基づくマルチビヘイビア関係エンコーダを開発し、学習された相互作用表現をクロスタイプ行動関係を反映させる。 MATNをスーパーチャージするメモリアテンションネットワークを提案し、異なる種類の振る舞いのコンテキスト信号をカテゴリ固有の潜在埋め込み空間にキャプチャする。
• 参考スコア（独自算出の注目度）: 25.563806871858073
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Capturing users' precise preferences is of great importance in various recommender systems (eg., e-commerce platforms), which is the basis of how to present personalized interesting product lists to individual users. In spite of significant progress has been made to consider relations between users and items, most of the existing recommendation techniques solely focus on singular type of user-item interactions. However, user-item interactive behavior is often exhibited with multi-type (e.g., page view, add-to-favorite and purchase) and inter-dependent in nature. The overlook of multiplex behavior relations can hardly recognize the multi-modal contextual signals across different types of interactions, which limit the feasibility of current recommendation methods. To tackle the above challenge, this work proposes a Memory-Augmented Transformer Networks (MATN), to enable the recommendation with multiplex behavioral relational information, and joint modeling of type-specific behavioral context and type-wise behavior inter-dependencies, in a fully automatic manner. In our MATN framework, we first develop a transformer-based multi-behavior relation encoder, to make the learned interaction representations be reflective of the cross-type behavior relations. Furthermore, a memory attention network is proposed to supercharge MATN capturing the contextual signals of different types of behavior into the category-specific latent embedding space. Finally, a cross-behavior aggregation component is introduced to promote the comprehensive collaboration across type-aware interaction behavior representations, and discriminate their inherent contributions in assisting recommendations. Extensive experiments on two benchmark datasets and a real-world e-commence user behavior data demonstrate significant improvements obtained by MATN over baselines. Codes are available at: https://github.com/akaxlh/MATN.
• Abstract（参考訳）: ユーザの正確な嗜好を捉えることは,個々のユーザに対してパーソナライズされた興味深い製品リストを提示する方法の基礎となる,さまざまなレコメンデーションシステム(eコマースプラットフォームなど)において非常に重要である。 ユーザとアイテムの関係を考慮し、大きな進展があったが、既存の推奨手法のほとんどは、ユーザとイテムのインタラクションの特異なタイプにのみ焦点を当てている。 しかし、ユーザとコンテンツの対話的な動作には、多タイプ(ページビュー、追加から購入など)や、相互依存的な性質がしばしば現れます。 多重化行動関係の見落としは、様々な種類の相互作用にまたがるマルチモーダルな文脈信号を認識することは困難であり、これは現在の推奨手法の実現可能性を制限する。 そこで本研究では,マルチプレックスな行動関係情報を用いた推薦を可能にするメモリ型トランスフォーマーネットワーク(matn)と,タイプ固有行動コンテキストとタイプワイズ行動の相互依存を,完全に自動でモデリングする手法を提案する。 MATNフレームワークでは、まずトランスフォーマーに基づくマルチビヘイビア関係エンコーダを開発し、学習された相互作用表現をクロスタイプ行動関係を反映させる。 さらに,様々な種類の行動の文脈信号をカテゴリ特異的潜在埋め込み空間にキャプチャするメモリアテンションネットワークを提案する。 最後に、クロス行動集約コンポーネントを導入し、タイプ・アウェアな相互作用行動表現間の包括的なコラボレーションを促進し、レコメンデーションを支援するために、それらの固有の貢献を識別する。 2つのベンチマークデータセットと実世界のe-commenceユーザ行動データに対する大規模な実験は、MATNがベースラインよりも大幅に改善したことを示している。 コードはhttps://github.com/akaxlh/matn。

関連論文リスト

• Dual-Channel Multiplex Graph Neural Networks for Recommendation [41.834188809480956]
  我々は、新しいレコメンデーションフレームワークDual-Channel Multiplex Graph Neural Network (DCMGNN)を導入する。 明示的な振舞いパターン表現学習器を組み込んで、多重ユーザ-イテム相互作用関係からなる振舞いパターンをキャプチャする。 また、関係連鎖表現学習と関係連鎖認識エンコーダを含み、様々な補助関係が対象関係に与える影響を発見する。
  論文  参考訳（メタデータ） (2024-03-18T09:56:00Z)
• 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)
• 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)
• Coarse-to-Fine Knowledge-Enhanced Multi-Interest Learning Framework for Multi-Behavior Recommendation [52.89816309759537]
  マルチタイプの行動(例えば、クリック、カートの追加、購入など)は、ほとんどの現実世界のレコメンデーションシナリオに広く存在する。 最先端のマルチ振る舞いモデルは、すべての歴史的相互作用を入力として区別しない振る舞い依存を学習する。 本稿では,多様な行動に対する共有的・行動特異的な関心を学習するための,多目的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-03T05:28:14Z)
• 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)
• Contrastive Meta Learning with Behavior Multiplicity for Recommendation [42.15990960863924]
  優れたインフォームドレコメンデーションフレームワークは、ユーザが関心のあるアイテムを識別するだけでなく、さまざまなオンラインプラットフォームの収益にも貢献できる。 本稿では,コントラストメタラーニング(Contrastive Meta Learning, CML)を提案する。 提案手法は,様々な最先端のレコメンデーション手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-02-17T08:51:24Z)
• Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
  本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-08T09:44:00Z)
• Graph Meta Network for Multi-Behavior Recommendation [24.251784947151755]
  本稿では,マルチビヘイビアパターンモデリングをメタラーニングパラダイムに組み込むために,グラフメタネットワークを用いたマルチビヘイビアレコメンデーションフレームワークを提案する。 我々の開発したMB-GMNは、型に依存した行動表現を明らかにする能力により、ユーザ-イテム相互作用学習を増強する。
  論文  参考訳（メタデータ） (2021-10-08T08:38:27Z)
• Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
  マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。 本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。 最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
  論文  参考訳（メタデータ） (2021-09-07T04:28:09Z)

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。