論文の概要: TTRS: Tinkoff Transactions Recommender System benchmark
- arxiv url: http://arxiv.org/abs/2110.05589v1
- Date: Mon, 11 Oct 2021 20:04:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-14 07:23:26.728809
- Title: TTRS: Tinkoff Transactions Recommender System benchmark
- Title(参考訳): TTRS: Tinkoff Transactions Recommender Systemベンチマーク
- Authors: Sergey Kolesnikov, Oleg Lashinin, Michail Pechatov, Alexander Kosov
- Abstract要約: TTRS - Tinkoff Transactions Recommender Systemベンチマークを示す。
この金融取引ベンチマークには、約1万人のユーザーと、14ヶ月で1000以上の商業ブランドの間で200万以上のインタラクションが含まれている。
また,現在普及しているRecSys手法を次の期間の推薦タスクで総合的に比較し,その性能を様々な指標や推奨目標に対して詳細に分析する。
- 参考スコア(独自算出の注目度): 62.997667081978825
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Over the past decade, tremendous progress has been made in inventing new
RecSys methods. However, one of the fundamental problems of the RecSys research
community remains the lack of applied datasets and benchmarks with well-defined
evaluation rules and metrics to test these novel approaches. In this article,
we present the TTRS - Tinkoff Transactions Recommender System benchmark. This
financial transaction benchmark contains over 2 million interactions between
almost 10,000 users and more than 1,000 merchant brands over 14 months. To the
best of our knowledge, this is the first publicly available financial
transactions dataset. To make it more suitable for possible applications, we
provide a complete description of the data collection pipeline, its
preprocessing, and the resulting dataset statistics. We also present a
comprehensive comparison of the current popular RecSys methods on the
next-period recommendation task and conduct a detailed analysis of their
performance against various metrics and recommendation goals. Last but not
least, we also introduce Personalized Item-Frequencies-based Model (Re)Ranker -
PIFMR, a simple yet powerful approach that has proven to be the most effective
for the benchmarked tasks.
- Abstract(参考訳): 過去10年間で、新しいRecSysメソッドの発明で大きな進歩を遂げました。
しかし、RecSys研究コミュニティの根本的な問題の1つは、これらの新しいアプローチをテストするための明確な評価ルールとメトリクスを備えた応用データセットとベンチマークの欠如である。
本稿では,TTRS-Tinkoff Transactions Recommender Systemベンチマークを紹介する。
この金融取引ベンチマークには、約1万人のユーザと14ヶ月で1000以上のマーチャントブランドとの間で200万以上のインタラクションが含まれている。
私たちの知る限りでは、これは初めて一般公開された金融取引データセットです。
可能なアプリケーションに適したものにするために、データ収集パイプライン、その前処理、結果として得られるデータセット統計の完全な説明を提供する。
また,現在普及しているRecSys手法を次の期間の推薦タスクで総合的に比較し,その性能を様々な指標や推奨目標に対して詳細に分析する。
最後に、私たちは、パーソナライズされたアイテム頻度ベースのモデル(re)rankerpifmrも導入しています。
関連論文リスト
- Scenario-Wise Rec: A Multi-Scenario Recommendation Benchmark [54.93461228053298]
6つの公開データセットと12のベンチマークモデルと、トレーニングと評価パイプラインで構成されるベンチマークである textbfScenario-Wise Rec を紹介します。
このベンチマークは、研究者に先行研究から貴重な洞察を提供することを目的としており、新しいモデルの開発を可能にしている。
論文 参考訳(メタデータ) (2024-12-23T08:15:34Z) - Revisiting BPR: A Replicability Study of a Common Recommender System Baseline [78.00363373925758]
我々は,BPRモデルの特徴を考察し,その性能への影響を示し,オープンソースのBPR実装について検討する。
分析の結果,これらの実装とオリジナルのBPR論文の矛盾が明らかとなり,特定の実装に対して最大50%の性能低下がみられた。
BPRモデルは、トップnのレコメンデーションタスクにおける最先端メソッドに近いパフォーマンスレベルを達成でき、特定のデータセット上でもパフォーマンスが向上することを示す。
論文 参考訳(メタデータ) (2024-09-21T18:39:53Z) - Cost-Effective Proxy Reward Model Construction with On-Policy and Active Learning [70.22819290458581]
人間のフィードバックによる強化学習(RLHF)は、現在の大規模言語モデルパイプラインにおいて広く採用されているアプローチである。
提案手法では,(1)OODを回避するためのオン・ポリシー・クエリと,(2)プライオリティ・クエリの最も情報性の高いデータを選択するためのアクティブ・ラーニングという2つの重要なイノベーションを導入している。
論文 参考訳(メタデータ) (2024-07-02T10:09:19Z) - Multi-Modal Recommendation Unlearning for Legal, Licensing, and Modality Constraints [10.335361310419826]
本稿では,MMRS と未学習項目データにおける非学習に関する最初のアプローチである MMRecUn を紹介する。
MMRecUnはベースライン方式に比べて最大49.85%のリコール性能向上を実現している。
最大$mathbf1.3timesはゴールドモデルよりも高速である。
論文 参考訳(メタデータ) (2024-05-24T08:11:59Z) - Maximizing Success Rate of Payment Routing using Non-stationary Bandits [5.781861264333114]
帯域幅に基づく支払いルーティングを1秒あたり1万トランザクション以上に最適にスケールするためのRayベースの実装を提案する。
我々は,ファンタジースポーツプラットフォームDream11上で,決済取引システムの実演実験を行った。
我々の非定常帯域ベースアルゴリズムは、従来のルールベースの手法に比べて1ヶ月でトランザクションの成功率を0.92%改善する。
論文 参考訳(メタデータ) (2023-08-02T09:23:16Z) - Sequential Recommendation Model for Next Purchase Prediction [2.8944480776764308]
我々は,270万以上のクレジットカード取引のプロダクションデータセットを利用して,シーケンシャルレコメンデーションシステムの有効性を実証し,ランク付けする。
また、スケーラブルで低レイテンシでイベントベースのデジタルエクスペリエンスアーキテクチャであるNexusにシーケンシャルRSを使用してリアルタイム予測を組み込む場合の意義についても論じる。
論文 参考訳(メタデータ) (2022-07-06T17:42:58Z) - What are the best systems? New perspectives on NLP Benchmarking [10.27421161397197]
そこで本研究では,各タスクのパフォーマンスに基づいて,システムにランク付けする新しい手法を提案する。
社会的選択理論によって動機付けられ、各タスクによって誘導されるランクを集約することで最終システム順序付けが得られる。
本手法は, 平均集約法とは異なる, 最先端システム上での結論を導出することを示す。
論文 参考訳(メタデータ) (2022-02-08T11:44:20Z) - An Informative Tracking Benchmark [133.0931262969931]
既存のデータセットと新たに収集されたデータセットの1.2Mフレームのうち7%が、小型かつ情報的追跡ベンチマーク(ITB)である。
1) 課題レベル, 2) 識別力, 3) 外観変化の密度を考慮し, 既存のベンチマークから最も有意義なシーケンスを選択する。
同一データ上で再学習した15の最先端トラッカーの結果を解析することにより,各シナリオ下でのロバストなトラッカーの効果的な手法を決定できる。
論文 参考訳(メタデータ) (2021-12-13T07:56:16Z) - Sample-Rank: Weak Multi-Objective Recommendations Using Rejection
Sampling [0.5156484100374059]
本稿では,マルチゴールサンプリングとユーザ関連度(Sample-Rank)のランク付けによるマーケットプレースの多目的目標への推薦手法を提案する。
提案手法の新規性は,望まれるマルチゴール分布からサンプリングするMOレコメンデーション問題を低減し,プロダクションフレンドリーな学習-ランクモデルを構築することである。
論文 参考訳(メタデータ) (2020-08-24T09:17:18Z) - 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。