論文の概要: Robust Recommendation with Implicit Feedback via Eliminating the Effects of Unexpected Behaviors

• arxiv url: http://arxiv.org/abs/2112.11023v1
• Date: Tue, 21 Dec 2021 07:29:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-22 14:16:41.812239
• Title: Robust Recommendation with Implicit Feedback via Eliminating the Effects of Unexpected Behaviors
• Title（参考訳）: 予期せぬ行動の影響を除去する不特定フィードバックを用いたロバスト勧告
• Authors: Jie Chen and Lifen Jiang and Chunmei Ma and Huazhi Sun
• Abstract要約: 本稿では,予期せぬ行動の影響を排除するために,MPM(Multi-Preferences Model)を提案する。 映画の2つのデータセットとe-retailingについて広範な実験を行った。
• 参考スコア（独自算出の注目度）: 5.419520515385743
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the implicit feedback recommendation, incorporating short-term preference into recommender systems has attracted increasing attention in recent years. However, unexpected behaviors in historical interactions like clicking some items by accident don't well reflect users' inherent preferences. Existing studies fail to model the effects of unexpected behaviors, thus achieve inferior recommendation performance. In this paper, we propose a Multi-Preferences Model (MPM) to eliminate the effects of unexpected behaviors. MPM first extracts the users' instant preferences from their recent historical interactions by a fine-grained preference module. Then an unexpected-behaviors detector is trained to judge whether these instant preferences are biased by unexpected behaviors. We also integrate user's general preference in MPM. Finally, an output module is performed to eliminate the effects of unexpected behaviors and integrates all the information to make a final recommendation. We conduct extensive experiments on two datasets of a movie and an e-retailing, demonstrating significant improvements in our model over the state-of-the-art methods. The experimental results show that MPM gets a massive improvement in HR@10 and NDCG@10, which relatively increased by 3.643% and 4.107% compare with AttRec model on average. We publish our code at https://github.com/chenjie04/MPM/.
• Abstract（参考訳）: 暗黙的なフィードバックレコメンデーションでは、リコメンデーションシステムに短期的な好みを組み込むことが近年注目を集めている。 しかしながら、一部のアイテムを偶然クリックするような歴史的なインタラクションにおける予期せぬ動作は、ユーザの固有の好みを反映していない。 既存の研究では予期せぬ行動の影響をモデル化できないため、推奨性能が劣る。 本稿では,予期せぬ行動の影響を排除するために,MPM(Multi-Preferences Model)を提案する。 MPMは、まず、ユーザの最近のインタラクションから、きめ細かい好みモジュールによって、ユーザの即時好みを抽出する。 そして、予期せぬ行動検知器を訓練して、これらの瞬間的な嗜好が予期せぬ行動に偏っているかどうかを判断する。 また、利用者の一般嗜好をMPMに統合する。 最後に、予期せぬ振る舞いの影響を排除するために出力モジュールが実行され、全ての情報を統合して最終的な推奨を行う。 映画の2つのデータセットとe-retailingについて広範な実験を行い、最先端の手法よりもモデルに顕著な改善が示された。 実験の結果、PMMはHR@10とNDCG@10を大幅に改善し、3.643%と4.107%がAttRecモデルと比較した。 コードをhttps://github.com/chenjie04/MPM/で公開しています。

関連論文リスト

• Incorporating Group Prior into Variational Inference for Tail-User Behavior Modeling in CTR Prediction [8.213386595519928]
  我々は,新しい変分推論手法,すなわちグループ事前サンプリング変分推論(GPSVI)を提案する。 GPSVIは、グループ嗜好を先行として導入し、末尾ユーザーのための潜伏したユーザー関心を洗練させる。 厳密な分析と広範な実験により、GPSVIはテールユーザーの性能を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2024-10-19T13:15:36Z)
• A First Look at Selection Bias in Preference Elicitation for Recommendation [64.44255178199846]
  選好選好における選好バイアスの影響について検討した。 大きなハードルは、好みの推論インタラクションを持つ公開データセットがないことです。 本稿では,トピックに基づく選好提案プロセスのシミュレーションを提案する。
  論文  参考訳（メタデータ） (2024-05-01T14:56:56Z)
• Attention Weighted Mixture of Experts with Contrastive Learning for Personalized Ranking in E-commerce [21.7796124109]
  本稿では,個人格付けのためのコントラスト学習を伴うAW-MoE(Attention Weighted Mixture of Experts)を提案する。 AW-MoEはJDのeコマース検索エンジンでうまく展開されている。
  論文  参考訳（メタデータ） (2023-06-08T07:59:08Z)
• Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
  本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。 AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。 誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:32:51Z)
• 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)
• Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
  我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。 CPRは、露出メカニズムを知らずに不偏の推奨を達成する。 理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
  論文  参考訳（メタデータ） (2022-04-26T09:20:27Z)
• Estimating and Penalizing Induced Preference Shifts in Recommender Systems [10.052697877248601]
  システムデザイナは、レコメンデータが引き起こすシフトを見積もること、そのようなシフトが望まないかどうかを評価すること、さらには問題のあるシフトを避けるために積極的に最適化すること、などを議論する。 我々は、過去のユーザインタラクションデータを使用して、その好みのダイナミクスを暗黙的に含む予測的ユーザモデルをトレーニングする。 シミュレーション実験では、学習した嗜好動態モデルがユーザの嗜好を推定し、新しいレコメンデーションに対してどのように反応するかを示す。
  論文  参考訳（メタデータ） (2022-04-25T21:04:46Z)
• PURS: Personalized Unexpected Recommender System for Improving User Satisfaction [76.98616102965023]
  本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。 3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-06-05T01:33:21Z)
• Probabilistic and Variational Recommendation Denoising [56.879165033014026]
  暗黙のフィードバックから学ぶことは、推奨システムの適用において最も一般的なケースの1つである。 本稿では,暗黙のフィードバックに対する確率的・変動的推薦を提案する。 提案したDPIとDVAEを4つの最先端レコメンデーションモデルに適用し、3つのデータセットで実験を行う。
  論文  参考訳（メタデータ） (2021-05-20T08:59:44Z)

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。