論文の概要: Learning to Select Historical News Articles for Interaction based Neural News Recommendation

• arxiv url: http://arxiv.org/abs/2110.06459v1
• Date: Wed, 13 Oct 2021 02:52:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-15 02:38:52.335524
• Title: Learning to Select Historical News Articles for Interaction based Neural News Recommendation
• Title（参考訳）: インタラクションに基づくニューラルニュースレコメンデーションのための歴史ニュース記事の選択学習
• Authors: Peitian Zhang, Zhicheng Dou, Jing Yao
• Abstract要約: 本稿では,学習から選択までのメカニズムを組み込んだSFI(End-to-end Selective Fine-fine Interaction framework)を提案する。 5つの歴史的ニュースが選ばれただけで、SFIは最先端のインタラクションベースモデルよりもAUCを2.17%大きく改善することができる。
• 参考スコア（独自算出の注目度）: 10.878032916747442
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The key to personalized news recommendation is to match the user's interests with the candidate news precisely and efficiently. Most existing approaches embed user interests into a representation vector then recommend by comparing it with the candidate news vector. In such a workflow, fine-grained matching signals may be lost. Recent studies try to cover that by modeling fine-grained interactions between the candidate news and each browsed news article of the user. Despite the effectiveness improvement, these models suffer from much higher computation costs online. Consequently, it remains a tough issue to take advantage of effective interactions in an efficient way. To address this problem, we proposed an end-to-end Selective Fine-grained Interaction framework (SFI) with a learning-to-select mechanism. Instead of feeding all historical news into interaction, SFI can quickly select informative historical news w.r.t. the candidate and exclude others from following computations. We empower the selection to be both sparse and automatic, which guarantees efficiency and effectiveness respectively. Extensive experiments on the publicly available dataset MIND validates the superiority of SFI over the state-of-the-art methods: with only five historical news selected, it can significantly improve the AUC by 2.17% over the state-of-the-art interaction-based models; at the same time, it is four times faster.
• Abstract（参考訳）: パーソナライズされたニュースレコメンデーションの鍵は、ユーザーの興味を候補者のニュースと正確に効率的にマッチさせることである。 既存のアプローチでは、ユーザの興味を表現ベクトルに埋め込むと、候補ニュースベクトルと比較して推奨する。 このようなワークフローでは、きめ細かいマッチング信号が失われることがある。 近年の研究では、候補ニュースと利用者の閲覧するニュース記事間のきめ細かいインタラクションをモデル化することによってこれをカバーしようとしている。 性能改善にもかかわらず、これらのモデルはオンラインでの計算コストがはるかに高い。 したがって、効果的な相互作用を効果的に活用することは難しい問題である。 この問題に対処するため,我々は,学習から選択までのメカニズムを組み込んだSFI(End-to-end Selective Fine-fine Interaction framework)を提案する。 全ての歴史的ニュースを対話に投入する代わりに、SFIは候補者に関する情報的な歴史的ニュースを素早く選択し、他のニュースを次の計算から除外することができる。 私たちは、選択がスパースと自動であることを権限付けし、それぞれ効率と有効性を保証します。 公開データセットMINDの大規模な実験は、最先端の手法よりもSFIの優位性を検証する: 歴史的ニュースが5つだけ選択されたことにより、最先端のインタラクションベースモデルよりもAUCを2.17%向上させることができる。

関連論文リスト

• Efficient and Robust Regularized Federated Recommendation [52.24782464815489]
  推薦システム(RSRS)は、ユーザの好みとプライバシの両方に対処する。 通信効率を向上させるために,非一様勾配勾配勾配を取り入れた新しい手法を提案する。 RFRecFの強靭性は、多様なベースラインに比べて優れている。
  論文  参考訳（メタデータ） (2024-11-03T12:10:20Z)
• Be Aware of the Neighborhood Effect: Modeling Selection Bias under Interference [50.95521705711802]
  従来の研究では、予測モデルの偏りのない学習を実現するために、選択バイアスに対処することに注力してきた。 本稿では、因果推論の観点から、近隣効果を干渉問題として公式に定式化する。 本稿では,近隣効果の存在下で選択バイアスに対処できる新しい理想的損失を提案する。
  論文  参考訳（メタデータ） (2024-04-30T15:20:41Z)
• Modeling Multi-interest News Sequence for News Recommendation [0.6787897491422114]
  セッションベースのニュースレコメンデータシステムは、セッションで彼女/彼によって読んだりクリックされたりした一連のニュースに埋め込まれた潜在的な関心をモデル化して、次のニュースをユーザに推薦する。 本稿では,ニュースレコメンデーションのための多目的ニュースシーケンス(MINS)モデルを提案する。 MINSでは、各ニュースに対する情報埋め込みを学習するために、自己注意に基づくニュースを考案し、次に次のニュースレコメンデーションに備えて、ニュースシーケンスに埋め込まれた潜在的な複数の興味を引き出すために、新たな並列関心ネットワークを考案する。
  論文  参考訳（メタデータ） (2022-07-15T08:03:37Z)
• Meta-Wrapper: Differentiable Wrapping Operator for User Interest Selection in CTR Prediction [97.99938802797377]
  クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。 近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。 そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:28:15Z)
• Compactness Score: A Fast Filter Method for Unsupervised Feature Selection [66.84571085643928]
  本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。 提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
  論文  参考訳（メタデータ） (2022-01-31T13:01:37Z)
• Neural News Recommendation with Collaborative News Encoding and Structural User Encoding [18.407727437603178]
  協調ニュースエンコーディング(CNE)と構造化ユーザエンコーディング(SUE)からなるニュースレコメンデーションフレームワークを提案する。 MINDデータセットの実験結果から,提案モデルの有効性を検証し,ニュースレコメンデーションの性能を向上させる。
  論文  参考訳（メタデータ） (2021-09-02T07:16:42Z)
• Partner Matters! An Empirical Study on Fusing Personas for Personalized Response Selection in Retrieval-Based Chatbots [51.091235903442715]
  本稿では,自己とパートナーの話者が応答選択の課題に与える影響について検討する。 4つのペルソナ融合戦略が設計されており、異なる方法でペルソナがコンテキストや応答と相互作用することを前提としている。 Persona-Chatデータセットに関する実証研究は、パートナーペルソナが応答選択の精度を向上させることができることを示している。
  論文  参考訳（メタデータ） (2021-05-19T10:32:30Z)
• Adversarial Active Learning based Heterogeneous Graph Neural Network for Fake News Detection [18.847254074201953]
  新規な偽ニュース検出フレームワークであるAdversarial Active Learning-based Heterogeneous Graph Neural Network(AA-HGNN)を提案する。 AA-HGNNは、特にラベル付きデータのあいまいさに直面している場合、学習性能を高めるためにアクティブな学習フレームワークを利用する。 2つの実世界のフェイクニュースデータセットによる実験により、我々のモデルはテキストベースのモデルや他のグラフベースのモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2021-01-27T05:05:25Z)
• Leveraging Historical Interaction Data for Improving Conversational Recommender System [105.90963882850265]
  アイテムと属性に基づく嗜好シーケンスを統合するための,新しい事前学習手法を提案する。 実世界の2つのデータセットの実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-19T03:43:50Z)

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。