論文の概要: Learning to Learn a Cold-start Sequential Recommender

• arxiv url: http://arxiv.org/abs/2110.09083v1
• Date: Mon, 18 Oct 2021 08:11:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-19 15:02:54.714380
• Title: Learning to Learn a Cold-start Sequential Recommender
• Title（参考訳）: コールドスタートシーケンシャルレコメンデーションを学ぶための学習
• Authors: Xiaowen Huang, Jitao Sang, Jian Yu, Changsheng Xu
• Abstract要約: コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。 MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
• 参考スコア（独自算出の注目度）: 70.5692886883067
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The cold-start recommendation is an urgent problem in contemporary online applications. It aims to provide users whose behaviors are literally sparse with as accurate recommendations as possible. Many data-driven algorithms, such as the widely used matrix factorization, underperform because of data sparseness. This work adopts the idea of meta-learning to solve the user's cold-start recommendation problem. We propose a meta-learning based cold-start sequential recommendation framework called metaCSR, including three main components: Diffusion Representer for learning better user/item embedding through information diffusion on the interaction graph; Sequential Recommender for capturing temporal dependencies of behavior sequences; Meta Learner for extracting and propagating transferable knowledge of prior users and learning a good initialization for new users. metaCSR holds the ability to learn the common patterns from regular users' behaviors and optimize the initialization so that the model can quickly adapt to new users after one or a few gradient updates to achieve optimal performance. The extensive quantitative experiments on three widely-used datasets show the remarkable performance of metaCSR in dealing with user cold-start problem. Meanwhile, a series of qualitative analysis demonstrates that the proposed metaCSR has good generalization.
• Abstract（参考訳）: コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 行動が文字通り、可能な限り正確なレコメンデーションと疎結合なユーザーに提供することを目的としている。 広く使われている行列分解のような多くのデータ駆動アルゴリズムは、データスパース性のために性能が劣る。 この研究は、ユーザのコールドスタートレコメンデーション問題を解決するためにメタラーニングの考え方を採用する。 metacsrと呼ばれるメタラーニングベースのコールドスタートシーケンシャルレコメンデーションフレームワークを提案する。3つの主なコンポーネントは、インタラクショングラフ上で情報拡散を通じてより良いユーザ/テーマ埋め込みを学ぶためのディフュージョンレコメンデーション、振る舞いシーケンスの一時的な依存関係をキャプチャするシーケンシャルレコメンデーション、以前のユーザの転送可能な知識を抽出、伝達し、新規ユーザのために適切な初期化を学ぶメタラーナである。 MetaCSRは、通常のユーザの動作から共通パターンを学習し、初期化を最適化する機能を備えており、モデルが1ないし数回の勾配更新後に新しいユーザに迅速に適応し、最適なパフォーマンスを実現する。 広く使われている3つのデータセットに対する大規模な定量的実験は、ユーザコールドスタート問題に対処するメタCSRの顕著な性能を示している。 一方、一連の定性的解析は、提案されたメタCSRが優れた一般化を持つことを示す。

関連論文リスト

• ClusterSeq: Enhancing Sequential Recommender Systems with Clustering based Meta-Learning [3.168790535780547]
  ClusterSeqはメタラーニングクラスタリングに基づくシーケンスレコメンダシステムである。 ユーザシーケンスの動的情報を利用して、サイド情報がない場合でもアイテム予測精度を高める。 提案手法は平均相反ランク(MRR)において16～39%の大幅な改善を実現する。
  論文  参考訳（メタデータ） (2023-07-25T18:53:24Z)
• Meta-Learning with Adaptive Weighted Loss for Imbalanced Cold-Start Recommendation [4.379304291229695]
  本稿では,勾配に基づくメタラーニングに基づく新しいシーケンシャルレコメンデーションフレームワークを提案する。 私たちの仕事は、コールドスタートシーケンシャルなレコメンデーションシナリオにおいて、不均衡な評価の影響に最初に取り組みます。
  論文  参考訳（メタデータ） (2023-02-28T15:18:42Z)
• RESUS: Warm-Up Cold Users via Meta-Learning Residual User Preferences in CTR Prediction [14.807495564177252]
  コールドユーザーに対するCTR(Click-Through Rate)予測は、レコメンデーションシステムにおいて難しい課題である。 本稿では,グローバルな嗜好知識の学習を,個々のユーザの残留嗜好の学習から切り離す,RESUSという新しい,効率的なアプローチを提案する。 本手法は, コールドユーザに対するCTR予測精度の向上に有効であり, 各種最先端手法と比較して有効である。
  論文  参考訳（メタデータ） (2022-10-28T11:57:58Z)
• Modeling Dynamic User Preference via Dictionary Learning for Sequential Recommendation [133.8758914874593]
  ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。 浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。 本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
  論文  参考訳（メタデータ） (2022-04-02T03:23:46Z)
• Diverse Preference Augmentation with Multiple Domains for Cold-start Recommendations [92.47380209981348]
  メタラーニングをベースとした多元的ドメインを用いた多元的推論拡張フレームワークを提案する。 我々は、疎結合の場合の過度な適合を扱うために、新しい関心領域において多様な評価を生成する。 これらの評価は、選好メタラーナーを学ぶためのメタトレーニング手順に導入され、優れた一般化能力が得られる。
  論文  参考訳（メタデータ） (2022-04-01T10:10:50Z)
• A Multi-Strategy based Pre-Training Method for Cold-Start Recommendation [28.337475919795008]
  コールドスタート問題はレコメンデーションタスクの根本的な課題である。 グラフニューラルネットワーク(GNN)モデルにおける最近の自己教師付き学習(SSL)であるPT-GNNは、コールドスタート埋め込みを再構築するためにGNNモデルを事前訓練する。 本稿では,PT-GNNをモデルアーキテクチャやプレテキストタスクの観点から拡張する,マルチストラテジーに基づく冷間開始推薦(MPT)のための事前学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-04T08:11:55Z)
• Reinforcement Learning based Path Exploration for Sequential Explainable Recommendation [57.67616822888859]
  強化学習(TMER-RL)を活用した新しい時間的メタパスガイド型説明可能な勧告を提案する。 TMER-RLは, 動的知識グラフ上での動的ユーザ・イテム進化を逐次モデル化するために, 注意機構を持つ連続項目間の強化項目・イテムパスをモデル化する。 2つの実世界のデータセットに対するTMERの大規模な評価は、最近の強いベースラインと比較して最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2021-11-24T04:34:26Z)
• 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)
• Cold-start Sequential Recommendation via Meta Learner [10.491428090228768]
  本研究では,逐次推薦における項目コールドスタート問題を軽減するために,メタラーニングに基づくコールドスタートシーケンシャルレコメンデーションフレームワーク,mecosを提案する。 mecosは限られたインタラクションからユーザの好みを効果的に抽出し、ターゲットのコールドスタートアイテムと潜在的なユーザとのマッチングを学ぶ。
  論文  参考訳（メタデータ） (2020-12-10T05:23:13Z)
• S^3-Rec: Self-Supervised Learning for Sequential Recommendation with Mutual Information Maximization [104.87483578308526]
  本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。 そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。 6つの実世界のデータセットで実施された大規模な実験は、既存の最先端手法よりも提案手法が優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-18T11:44:10Z)

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。