論文の概要: D-HAN: Dynamic News Recommendation with Hierarchical Attention Network
- arxiv url: http://arxiv.org/abs/2112.10085v1
- Date: Sun, 19 Dec 2021 08:11:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2021-12-21 17:31:21.458390
- Title: D-HAN: Dynamic News Recommendation with Hierarchical Attention Network
- Title（参考訳）: D-HAN:階層型アテンションネットワークを用いた動的ニュースレコメンデーション
- Authors: Qinghua Zhao, Xu Chen, Hui Zhang, Shuai Ma
- Abstract要約: 本稿では,新しい動的ニュースレコメンデーションモデルを提案する。
ニュースコンテンツをよりよく理解するために、注意機構を活用して、文、要素、文書レベルからニュースを表現する。
ユーザの暗黙的なフィードバックを最適化する動的負サンプリング手法を提案する。
- 参考スコア（独自算出の注目度）: 14.490257112352488
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: News recommendation is an effective information dissemination solution in
modern society. While recent years have witnessed many promising news
recommendation models, they mostly capture the user-news interactions on the
document-level in a static manner. However, in real-world scenarios, the news
can be quite complex and diverse, blindly squeezing all the contents into an
embedding vector can be less effective in extracting information compatible
with the personalized preference of the users. In addition, user preferences in
the news recommendation scenario can be highly dynamic, and a tailored dynamic
mechanism should be designed for better recommendation performance. In this
paper, we propose a novel dynamic news recommender model. For better
understanding the news content, we leverage the attention mechanism to
represent the news from the sentence-, element- and document-levels,
respectively. For capturing users' dynamic preferences, the continuous time
information is seamlessly incorporated into the computing of the attention
weights. More specifically, we design a hierarchical attention network, where
the lower layer learns the importance of different sentences and elements, and
the upper layer captures the correlations between the previously interacted and
the target news. To comprehensively model the dynamic characters, we firstly
enhance the traditional attention mechanism by incorporating both absolute and
relative time information, and then we propose a dynamic negative sampling
method to optimize the users' implicit feedback. We conduct extensive
experiments based on three real-world datasets to demonstrate our model's
effectiveness. Our source code and pre-trained representations are available at
https://github.com/lshowway/D-HAN.
- Abstract（参考訳）: ニュースレコメンデーションは現代社会における効果的な情報伝達ソリューションである。
近年、多くの有望なニュースレコメンデーションモデルが目撃されているが、主に文書レベルでのユーザと新規のインタラクションを静的に捉えている。
しかし、現実のシナリオでは、ニュースは非常に複雑で多様で、すべてのコンテンツを埋め込みベクターに盲目的に絞り込むと、ユーザの好みに合った情報を抽出するのに効果が低下する。
さらに、ニュースレコメンデーションシナリオにおけるユーザの好みは、非常にダイナミックであり、より優れたレコメンデーションパフォーマンスのために、カスタマイズされた動的メカニズムを設計する必要がある。
本稿では,新しい動的ニュース推薦モデルを提案する。
ニュースコンテンツをよりよく理解するために、注意機構を活用して、それぞれ文レベル、要素レベル、文書レベルからニュースを表現する。
ユーザの動的好みを捉えるために、連続時間情報は注意重みの計算にシームレスに組み込まれます。
より具体的には、下位層が異なる文や要素の重要性を学習し、上位層が以前に対話したニュースとターゲットニュースの相関関係をキャプチャする階層型注意ネットワークを設計する。
動的文字を包括的にモデル化するために,まず絶対時間情報と相対時間情報の両方を組み込むことにより,従来の注意機構を強化し,ユーザの暗黙的フィードバックを最適化する動的負サンプリング手法を提案する。
3つの実世界のデータセットに基づいて広範な実験を行い,モデルの有効性を実証した。
ソースコードと事前訓練された表現はhttps://github.com/lshowway/D-HAN.orgで公開されている。
関連論文リスト
- Efficient Human-in-the-loop System for Guiding DNNs Attention [25.501443892795614]
本稿では,ユーザが指定した領域に対して,分類器の注意を対話的に誘導する,効率的なHuman-in-the-loopシステムを提案する。
注意誘導のための従来のアプローチでは、ピクセルレベルのアノテーションの準備が必要であり、インタラクティブシステムとして設計されていない。
論文 参考訳（メタデータ） (2022-06-13T09:04:32Z) - Preference Enhanced Social Influence Modeling for Network-Aware Cascade
Prediction [59.221668173521884]
本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。
エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
論文 参考訳（メタデータ） (2022-04-18T09:25:06Z) - Make The Most of Prior Data: A Solution for Interactive Text
Summarization with Preference Feedback [15.22874706089491]
我々は、好みのフィードバックで要約モデルを対話的に訓練する新しいフレームワークを導入する。
オフラインデータと新しい報酬モデルを適切に活用することにより、ROUGEスコアとサンプル効率に関する性能を向上させる。
論文 参考訳（メタデータ） (2022-04-12T03:56:59Z) - Learning Self-Modulating Attention in Continuous Time Space with
Applications to Sequential Recommendation [102.24108167002252]
本稿では,複雑で非線形に進化する動的ユーザの嗜好をモデル化する,自己変調型注意ネットワークを提案する。
提案手法がトップNシーケンシャルなレコメンデーションタスクに与える影響を実証的に示すとともに,3つの大規模実世界のデータセットによる結果から,我々のモデルが最先端のパフォーマンスを達成できることを示す。
論文 参考訳（メタデータ） (2022-03-30T03:54:11Z) - 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) - 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) - TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。
我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
論文 参考訳（メタデータ） (2021-05-17T15:33:25Z) - 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) - Hybrid Session-based News Recommendation using Recurrent Neural Networks [4.6193503399184275]
セッションベースのニュースレコメンデーションのためのハイブリッドメタアーキテクチャCHAMELEONについて述べる。
本結果は,セッションクリックのシーケンスをRNNでモデル化することの利点を裏付けるものである。
論文 参考訳（メタデータ） (2020-06-22T17:24:43Z)
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。