論文の概要: Recency Dropout for Recurrent Recommender Systems
- arxiv url: http://arxiv.org/abs/2201.11016v1
- Date: Wed, 26 Jan 2022 15:50:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-27 16:11:48.567828
- Title: Recency Dropout for Recurrent Recommender Systems
- Title(参考訳): リカレントレコメンデータシステムのためのレコメンデーションドロップアウト
- Authors: Bo Chang, Can Xu, Matthieu L\^e, Jingchen Feng, Ya Le, Sriraj Badam,
Ed Chi, Minmin Chen
- Abstract要約: 本稿では,リコメンデータシステムにおけるリコメンデーションバイアスを軽減するために,簡易かつ効果的なデータ拡張手法であるリコメンデーションドロップアウト手法を提案する。
シミュレーション実験,オフライン実験,大規模産業レコメンデーションプラットフォームでのライブ実験など,各種実験環境における遅延降下の有効性を実証する。
- 参考スコア(独自算出の注目度): 23.210278548403185
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recurrent recommender systems have been successful in capturing the temporal
dynamics in users' activity trajectories. However, recurrent neural networks
(RNNs) are known to have difficulty learning long-term dependencies. As a
consequence, RNN-based recommender systems tend to overly focus on short-term
user interests. This is referred to as the recency bias, which could negatively
affect the long-term user experience as well as the health of the ecosystem. In
this paper, we introduce the recency dropout technique, a simple yet effective
data augmentation technique to alleviate the recency bias in recurrent
recommender systems. We demonstrate the effectiveness of recency dropout in
various experimental settings including a simulation study, offline
experiments, as well as live experiments on a large-scale industrial
recommendation platform.
- Abstract(参考訳): リカレントレコメンダシステムは,ユーザの行動軌跡の時間的ダイナミクスを捉えることに成功している。
しかし、リカレントニューラルネットワーク(RNN)は長期依存の学習が困難であることが知られている。
その結果、rnnベースのレコメンダシステムは短期ユーザーの興味を過度に重視する傾向がある。
これは"recency bias"と呼ばれ、長期的なユーザエクスペリエンスやエコシステムの健全性に悪影響を及ぼす可能性がある。
本稿では,リカレントレコメンダシステムにおけるリカレントバイアスを軽減するために,簡易かつ効果的なデータ拡張手法であるリカレントドロップアウト手法を提案する。
シミュレーション実験,オフライン実験,大規模産業レコメンデーションプラットフォームでのライブ実験など,各種実験環境での定期的ドロップアウトの有効性を実証する。
関連論文リスト
- Bounded (O(1)) Regret Recommendation Learning via Synthetic Controls
Oracle [6.935657546323529]
一定嗜好を持つユーザが繰り返し到着するオンライン探索システムでは、後悔の限度が達成される。
この結果は、商品の人気が短命であることが多いレコメンデーションシステムにとって、興味のあるものかもしれない。
本研究は,これらの問題に対処しつつ,いまだに限定された後悔を達成しつつ,理論的研究を行うものである。
論文 参考訳(メタデータ) (2023-01-29T22:39:50Z) - Few-Shot Class-Incremental Learning via Entropy-Regularized Data-Free
Replay [52.251188477192336]
FSCIL (Few-shot class-incremental Learning) は,データ制限のあるクラスを段階的に学習する深層学習システムを実現するために提案されている。
データリプレイの採用は驚くほど好都合である,という実証的な結果を通じて示します。
本研究では,実データにアクセスすることなく,ジェネレータによるデータ合成が可能なデータフリーリプレイを提案する。
論文 参考訳(メタデータ) (2022-07-22T17:30:51Z) - Minimizing Control for Credit Assignment with Strong Feedback [65.59995261310529]
ディープニューラルネットワークにおける勾配に基づくクレジット割り当ての現在の手法は、無限小のフィードバック信号を必要とする。
我々は、神経活動に対する強いフィードバックと勾配に基づく学習を組み合わせることで、ニューラルネットワークの最適化に関する新たな視点を自然に導き出すことを示す。
DFCにおける強いフィードバックを用いることで、空間と時間において完全に局所的な学習規則を用いることで、前向きとフィードバックの接続を同時に学習できることを示す。
論文 参考訳(メタデータ) (2022-04-14T22:06:21Z) - SURF: Semi-supervised Reward Learning with Data Augmentation for
Feedback-efficient Preference-based Reinforcement Learning [168.89470249446023]
我々は、大量のラベルなしサンプルとデータ拡張を利用する半教師付き報酬学習フレームワークSURFを提案する。
報奨学習にラベルのないサンプルを活用するために,選好予測器の信頼性に基づいてラベルのないサンプルの擬似ラベルを推定する。
本実験は, ロボット操作作業における嗜好に基づく手法のフィードバック効率を有意に向上させることを実証した。
論文 参考訳(メタデータ) (2022-03-18T16:50:38Z) - Learning from a Learning User for Optimal Recommendations [43.2268992294178]
我々は「学習ユーザ」を捕捉し、効率的なシステム側学習ソリューションを設計するためのモデルを定式化する。
ユーザ学習の収束率が悪化するにつれて,RAESの後悔は良好に悪化することを示す。
本研究は,リコメンデーション問題におけるフィードバックループのモデル化に関する新たな視点を提供する。
論文 参考訳(メタデータ) (2022-02-03T22:45:12Z) - Context Uncertainty in Contextual Bandits with Applications to
Recommender Systems [16.597836265345634]
本稿では,リカレントサーベイネットワーク(REN)と呼ばれる新しいタイプのリカレントニューラルネットワークを提案する。
我々の理論的分析は,RENが学習表現に不確実性がある場合でも,速度-線形準最適後悔を保てることを示す。
我々の実証研究は、RENが合成および実世界のレコメンデーションデータセットに満足な長期報酬を得られることを示した。
論文 参考訳(メタデータ) (2022-02-01T23:23:50Z) - Supervised Advantage Actor-Critic for Recommender Systems [76.7066594130961]
本稿では、RL成分を学習するための負のサンプリング戦略を提案し、それを教師付き逐次学習と組み合わせる。
サンプル化された(負の)作用 (items) に基づいて、平均ケース上での正の作用の「アドバンテージ」を計算することができる。
SNQNとSA2Cを4つのシーケンシャルレコメンデーションモデルでインスタンス化し、2つの実世界のデータセットで実験を行う。
論文 参考訳(メタデータ) (2021-11-05T12:51:15Z) - Deep Exploration for Recommendation Systems [14.937000494745861]
我々はレコメンデーションシステムのための深層探査手法を開発した。
特に、逐次決定問題としてレコメンデーションを定式化する。
本実験は高忠実度産業用シミュレータを用いて行った。
論文 参考訳(メタデータ) (2021-09-26T06:54:26Z) - Contrastive Learning for Debiased Candidate Generation in Large-Scale
Recommender Systems [84.3996727203154]
コントラスト損失の一般的な選択は、逆確率重み付けによる露光バイアスの低減と等価であることを示す。
我々はCLRecをさらに改良し、マルチCLRecを提案する。
提案手法は,少なくとも4ヶ月のオンラインA/Bテストとオフライン分析が実施され,大幅に改善されている。
論文 参考訳(メタデータ) (2020-05-20T08:15:23Z) - Modeling and Counteracting Exposure Bias in Recommender Systems [0.0]
本研究では,行列因数分解など,広く用いられている推奨戦略に固有のバイアスについて検討する。
本稿では,リコメンデータシステムのための新しいデバイアス対策を提案する。
その結果,レコメンダシステムにはバイアスがあり,ユーザの事前の露出に依存していることがわかった。
論文 参考訳(メタデータ) (2020-01-01T00:12:34Z)
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。