論文の概要: GIMIRec: Global Interaction Information Aware Multi-Interest Framework
for Sequential Recommendation
- arxiv url: http://arxiv.org/abs/2112.08717v1
- Date: Thu, 16 Dec 2021 09:12:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-17 16:33:33.748651
- Title: GIMIRec: Global Interaction Information Aware Multi-Interest Framework
for Sequential Recommendation
- Title（参考訳）: GIMIRec: シーケンスレコメンデーションのための多目的フレームワークを意識したグローバルインタラクション情報
- Authors: Jie Zhang, Ke-Jia Chen, Jingqiang Chen
- Abstract要約: 本稿では,GIMIレコメンデーションのための多目的フレームワーク(Global Interaction Aware Multi-Interest Framework for Sequential Recommendation,GIMIRec)という新たなレコメンデーションモデルを提案する。
Recall、NDCG、Hit RateインジケータにおけるGIMIRecの性能は、最先端の手法よりも大幅に優れている。
- 参考スコア（独自算出の注目度）: 5.416421678129053
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sequential recommendation based on multi-interest framework models the user's
recent interaction sequence into multiple different interest vectors, since a
single low-dimensional vector cannot fully represent the diversity of user
interests. However, most existing models only intercept users' recent
interaction behaviors as training data, discarding a large amount of historical
interaction sequences. This may raise two issues. On the one hand, data
reflecting multiple interests of users is missing; on the other hand, the
co-occurrence between items in historical user-item interactions is not fully
explored. To tackle the two issues, this paper proposes a novel sequential
recommendation model called "Global Interaction Aware Multi-Interest Framework
for Sequential Recommendation (GIMIRec)". Specifically, a global context
extraction module is firstly proposed without introducing any external
information, which calculates a weighted co-occurrence matrix based on the
constrained co-occurrence number of each item pair and their time interval from
the historical interaction sequences of all users and then obtains the global
context embedding of each item by using a simplified graph convolution.
Secondly, the time interval of each item pair in the recent interaction
sequence of each user is captured and combined with the global context item
embedding to get the personalized item embedding. Finally, a self-attention
based multi-interest framework is applied to learn the diverse interests of
users for sequential recommendation. Extensive experiments on the three
real-world datasets of Amazon-Books, Taobao-Buy and Amazon-Hybrid show that the
performance of GIMIRec on the Recall, NDCG and Hit Rate indicators is
significantly superior to that of the state-of-the-art methods. Moreover, the
proposed global context extraction module can be easily transplanted to most
sequential recommendation models.
- Abstract（参考訳）: 多目的フレームワークに基づく逐次レコメンデーションは、ユーザの最近のインタラクションシーケンスを複数の異なる関心ベクトルにモデル化する。
しかし、既存のモデルのほとんどは、ユーザの最近のインタラクション行動をトレーニングデータとしてインターセプトするだけで、大量の履歴インタラクションシーケンスを破棄している。
これには2つの問題がある。
一方、ユーザの関心を反映したデータは欠落しており、また、歴史的ユーザ-イテムインタラクションにおける項目間の共起が完全には解明されていない。
本稿では,2つの課題に対処するため,"Global Interaction Aware Multi-Interest Framework for Sequential Recommendation (GIMIRec)"と呼ばれる新たなレコメンデーションモデルを提案する。
具体的には、まず、全ユーザの歴史的なインタラクションシーケンスから各アイテム対の制約付き共起数とその時間間隔に基づいて重み付き共起行列を算出し、簡易なグラフ畳み込みを用いて各アイテムのグローバルコンテキスト埋め込みを得る外部情報を導入することなく、グローバルコンテキスト抽出モジュールを提案する。
次に、ユーザの最近のインタラクションシーケンスにおける各アイテムペアの時間間隔をキャプチャし、グローバルコンテキストアイテム埋め込みと組み合わせて、パーソナライズされたアイテム埋め込みを得る。
最後に、自己注意に基づく多目的フレームワークを適用して、ユーザの多様な関心事からシーケンシャルなレコメンデーションを学習する。
Amazon-Books、Taobao-Buy、Amazon-Hybridの3つの実世界のデータセットに対する大規模な実験は、Recall、NDCG、Hit RateインジケータにおけるGIMIRecのパフォーマンスが最先端の方法よりも大幅に優れていることを示している。
さらに、提案するグローバルコンテキスト抽出モジュールは、ほとんどのシーケンシャルなレコメンデーションモデルに容易に移植できる。
関連論文リスト
- Multi-View Interactive Collaborative Filtering [0.0]
本稿では、評価情報と文脈情報の両方を組み込んだ、新しいオンライン潜在因子推薦アルゴリズムを提案する。
MV-ICTRは、コールドスタートユーザやアイテムの比率が高いデータセットの性能を著しく向上させる。
論文 参考訳（メタデータ） (2023-05-14T20:31:37Z) - GUESR: A Global Unsupervised Data-Enhancement with Bucket-Cluster
Sampling for Sequential Recommendation [58.6450834556133]
本研究では,グローバルな視点から複雑な関連性を持つ項目表現を強化するために,グラフコントラスト学習を提案する。
本稿では,CapsNetモジュールを拡張したターゲットアテンション機構により,ユーザの動的嗜好を導出する。
提案したGUESRは,大幅な改善を達成できただけでなく,汎用的な拡張戦略ともみなすことができた。
論文 参考訳（メタデータ） (2023-03-01T05:46:36Z) - 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) - Learning Dual Dynamic Representations on Time-Sliced User-Item
Interaction Graphs for Sequential Recommendation [62.30552176649873]
シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。
両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。
モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
論文 参考訳（メタデータ） (2021-09-24T07:44:27Z) - Sparse-Interest Network for Sequential Recommendation [78.83064567614656]
本稿では,シーケンシャルレコメンデーションのためのtextbfSparse textbfInterest textbfNEtwork(SINE)を提案する。
我々のスパース関心モジュールは、大きなコンセプトプールから各ユーザに対してスパースの概念セットを適応的に推測することができる。
SINEは最先端の手法よりも大幅に改善できる。
論文 参考訳（メタデータ） (2021-02-18T11:03:48Z) - Dynamic Graph Collaborative Filtering [64.87765663208927]
動的レコメンデーションは,逐次データに基づくリアルタイム予測を提供するレコメンデータシステムにとって不可欠である。
本稿では、動的グラフを利用して協調関係とシーケンシャル関係をキャプチャする新しいフレームワーク、Dynamic Graph Collaborative Filtering (DGCF)を提案する。
提案手法は, 動的協調情報の統合の有効性を示すため, 動作繰り返しの少ないデータセットでは高い性能を実現する。
論文 参考訳（メタデータ） (2021-01-08T04:16:24Z) - Multi-Interactive Attention Network for Fine-grained Feature Learning in
CTR Prediction [48.267995749975476]
クリックスルー率(ctr)予測シナリオでは、ユーザのシーケンシャルな動作を利用してユーザの関心を捉える。
既存の手法は主にユーザの行動に注意を払っているが、CTR予測には必ずしも適していない。
マルチインタラクティブ・アテンション・ネットワーク (MIAN) を提案し, 各種微細な特徴間の潜在関係を総合的に抽出する。
論文 参考訳（メタデータ） (2020-12-13T05:46:19Z) - Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。
我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。
私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
論文 参考訳（メタデータ） (2020-05-19T10:18:43Z)
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。