論文の概要: Coarse-to-Fine Sparse Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2204.01839v1
• Date: Mon, 4 Apr 2022 20:51:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-06 14:03:11.708799
• Title: Coarse-to-Fine Sparse Sequential Recommendation
• Title（参考訳）: 粗大なスパースシーケンス勧告
• Authors: Jiacheng Li, Tong Zhao, Jin Li, Jim Chan, Christos Faloutsos, George Karypis, Soo-Min Pantel, Julian McAuley
• Abstract要約: シークエンシャルレコメンデーションは、歴史的相互作用から動的ユーザ動作をモデル化することを目的としている。 ショッピングインテントとインタラクションアイテムからユーザダイナミクスを同時にモデル化することを提案する。 粗粒度および細粒度シーケンシャルダイナミクスを明示的に学習する,粗粒度から細粒度への自己アテンションフレームワークであるCaFeを提案する。
• 参考スコア（独自算出の注目度）: 28.020405980193125
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequential recommendation aims to model dynamic user behavior from historical interactions. Self-attentive methods have proven effective at capturing short-term dynamics and long-term preferences. Despite their success, these approaches still struggle to model sparse data, on which they struggle to learn high-quality item representations. We propose to model user dynamics from shopping intents and interacted items simultaneously. The learned intents are coarse-grained and work as prior knowledge for item recommendation. To this end, we present a coarse-to-fine self-attention framework, namely CaFe, which explicitly learns coarse-grained and fine-grained sequential dynamics. Specifically, CaFe first learns intents from coarse-grained sequences which are dense and hence provide high-quality user intent representations. Then, CaFe fuses intent representations into item encoder outputs to obtain improved item representations. Finally, we infer recommended items based on representations of items and corresponding intents. Experiments on sparse datasets show that CaFe outperforms state-of-the-art self-attentive recommenders by 44.03% NDCG@5 on average.
• Abstract（参考訳）: シークエンシャルレコメンデーションは、歴史的相互作用から動的ユーザ動作をモデル化することを目的としている。 自己愛的手法は短期的ダイナミクスと長期的嗜好を捉えるのに有効であることが証明されている。 彼らの成功にもかかわらず、これらのアプローチは、高品質なアイテム表現を学ぶのに苦労するスパースデータのモデル化に苦慮している。 買い物意図とインタラクションアイテムからユーザダイナミクスをモデル化することを提案する。 学習意図は粗く、アイテムレコメンデーションの事前知識として機能します。 この目的のために、粗粒度および微細粒度シーケンシャルダイナミクスを明示的に学習する粗粒度自己保持フレームワーク、すなわちCaFeを提案する。 具体的には、CaFeはまず、粗い粒度の配列からインテントを学び、それによって高品質なユーザインテント表現を提供する。 次に、CaFeはインテント表現をアイテムエンコーダ出力に融合し、改善されたアイテム表現を得る。 最後に、項目の表現と対応する意図に基づいて推奨項目を推測する。 スパースデータセットの実験では、CaFeは最先端の自己注意型レコメンデータを平均44.03%のNDCG@5で上回っている。

関連論文リスト

• Look into the Future: Deep Contextualized Sequential Recommendation [28.726897673576865]
  我々は、Look into the Future(LIFT)と呼ばれる、シーケンシャルなレコメンデーションの新しいフレームワークを提案する。 LIFTはシーケンシャルなレコメンデーションのコンテキストを構築し、活用する。 本実験では,クリックスルー率予測および評価予測タスクにおいて,LIFTは大幅な性能向上を実現している。
  論文  参考訳（メタデータ） (2024-05-23T09:34:28Z)
• Exploring the Individuality and Collectivity of Intents behind Interactions for Graph Collaborative Filtering [9.740376003100437]
  本稿では,BIGCF (Bilateral Intent-Guided Graph Collaborative Filtering) に指定された新しい推薦フレームワークを提案する。 具体的には、因果的視点からユーザとイテムの相互作用を詳しく調べ、個別の意図の概念を提示する。 暗黙的なフィードバックの空間性に対抗するため、ユーザとアイテムの特徴分布はガウスベースのグラフ生成戦略を介して符号化される。
  論文  参考訳（メタデータ） (2024-05-15T02:31:26Z)
• Multi-Level Sequence Denoising with Cross-Signal Contrastive Learning for Sequential Recommendation [13.355017204983973]
  シーケンシャル・レコメンダ・システム(SRS)は,ユーザの過去のインタラクション・シーケンスに基づいて,次の項目を提案することを目的としている。 本稿では,MSDCCL(Multi-level Sequence Denoising with Cross-signal Contrastive Learning)という新しいモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-22T04:57:33Z)
• CARCA: Context and Attribute-Aware Next-Item Recommendation via Cross-Attention [7.573586022424399]
  推奨設定では、ユーザのコンテキストとアイテム属性が、次に推奨するアイテムを決定する上で重要な役割を果たす。 本研究では,ユーザプロファイルの動的特性を,コンテキスト特徴やアイテム属性の観点から捉えることができるコンテキスト・属性対応レコメンデータモデルを提案する。 4つの実世界のレコメンデータシステムデータセットの実験では、提案モデルがアイテムレコメンデーションのタスクにおいて、すべての最先端モデルを著しく上回っていることが示されている。
  論文  参考訳（メタデータ） (2022-04-04T13:22:28Z)
• 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)
• Intent Contrastive Learning for Sequential Recommendation [86.54439927038968]
  ユーザの意図を表現するために潜伏変数を導入し,クラスタリングにより潜伏変数の分布関数を学習する。 我々は,学習意図を対照的なSSLによってSRモデルに活用し,シーケンスのビューとそれに対応するインテントとの一致を最大化することを提案する。 4つの実世界のデータセットで実施された実験は、提案した学習パラダイムの優位性を示している。
  論文  参考訳（メタデータ） (2022-02-05T09:24:13Z)
• Sequential Recommendation via Stochastic Self-Attention [68.52192964559829]
  Transformerベースのアプローチでは、アイテムをベクトルとして埋め込んで、ドット積の自己アテンションを使用してアイテム間の関係を測定する。 本稿では,これらの問題を克服するための新しいtextbfStochastic textbfSelf-textbfAttention (STOSA) を提案する。 我々は、アイテムと項目の位置関係を列で特徴づける新しいワッサースタイン自己保持モジュールを考案した。
  論文  参考訳（メタデータ） (2022-01-16T12:38:45Z)
• Contrastive Self-supervised Sequential Recommendation with Robust Augmentation [101.25762166231904]
  Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。 データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。 逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
  論文  参考訳（メタデータ） (2021-08-14T07:15:25Z)
• 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)
• Disentangled Graph Collaborative Filtering [100.26835145396782]
  Disentangled Graph Collaborative Filtering (DGCF)は、インタラクションデータからユーザとアイテムの情報表現を学ぶための新しいモデルである。 ユーザ・イテムのインタラクション毎に意図を超越した分布をモデル化することにより、インテント・アウェアなインタラクショングラフと表現を反復的に洗練する。 DGCFはNGCF、DisenGCN、MacridVAEといった最先端モデルよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2020-07-03T15:37:25Z)

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。