論文の概要: CARCA: Context and Attribute-Aware Next-Item Recommendation via Cross-Attention

• arxiv url: http://arxiv.org/abs/2204.06519v1
• Date: Mon, 4 Apr 2022 13:22:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-04-17 06:40:46.956234
• Title: CARCA: Context and Attribute-Aware Next-Item Recommendation via Cross-Attention
• Title（参考訳）: CARCA: コンテキストと属性を考慮したクロスアテンションによる次項目推奨
• Authors: Ahmed Rashed, Shereen Elsayed, Lars Schmidt-Thieme
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.573586022424399
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In sparse recommender settings, users' context and item attributes play a crucial role in deciding which items to recommend next. Despite that, recent works in sequential and time-aware recommendations usually either ignore both aspects or only consider one of them, limiting their predictive performance. In this paper, we address these limitations by proposing a context and attribute-aware recommender model (CARCA) that can capture the dynamic nature of the user profiles in terms of contextual features and item attributes via dedicated multi-head self-attention blocks that extract profile-level features and predicting item scores. Also, unlike many of the current state-of-the-art sequential item recommendation approaches that use a simple dot-product between the most recent item's latent features and the target items embeddings for scoring, CARCA uses cross-attention between all profile items and the target items to predict their final scores. This cross-attention allows CARCA to harness the correlation between old and recent items in the user profile and their influence on deciding which item to recommend next. Experiments on four real-world recommender system datasets show that the proposed model significantly outperforms all state-of-the-art models in the task of item recommendation and achieving improvements of up to 53% in Normalized Discounted Cumulative Gain (NDCG) and Hit-Ratio. Results also show that CARCA outperformed several state-of-the-art dedicated image-based recommender systems by merely utilizing image attributes extracted from a pre-trained ResNet50 in a black-box fashion.
• Abstract（参考訳）: スパースレコメンダ設定では、ユーザのコンテキストとアイテム属性が、次に推奨する項目を決定する上で重要な役割を果たす。 それにもかかわらず、最近のシーケンシャルでタイムアウェアなレコメンデーションにおける作業は通常、両方の側面を無視したり、そのうちの1つしか考慮しない。 本稿では,プロファイルレベルの特徴を抽出し,項目スコアを予測する専用マルチヘッド自己認識ブロックを用いて,ユーザプロファイルの動的特性をコンテキスト的特徴とアイテム属性の観点から捉えることのできるコンテキスト・属性認識推薦モデル(CARCA)を提案する。 また、最新のアイテムの潜在機能と得点対象アイテムの埋め込みの間に単純なドット積を使用する、最先端のシーケンシャルアイテムレコメンデーションアプローチの多くとは異なり、CARCAは全てのプロファイルアイテムとターゲットアイテム間の相互アテンションを使用して最終スコアを予測する。 この相互接続により、carcaはユーザプロファイルの古い項目と最近の項目の相関関係と、次に推奨する項目を決定する上での影響を活用できる。 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り、正規化された非カウント累積ゲイン(NDCG)とHit-Ratioで最大53%の改善を達成した。 また,carcaは,事前学習されたresnet50から抽出した画像属性をブラックボックス方式で利用するだけで,最先端のイメージベースレコメンダシステムよりも優れていた。

関連論文リスト

• Enhancing User Intent Capture in Session-Based Recommendation with Attribute Patterns [77.19390850643944]
  周波数属性パターン拡張変換器(FAPAT)を提案する。 FAPATは属性遷移グラフと一致する属性パターンを構築することで、ユーザの意図を特徴づける。 FAPATは、様々な評価指標に対して平均4.5%の最先端手法を一貫して上回っていることを実証する。
  論文  参考訳（メタデータ） (2023-12-23T03:28:18Z)
• Multi-task Item-attribute Graph Pre-training for Strict Cold-start Item Recommendation [71.5871100348448]
  ColdGPTは、アイテム内容からきめ細かい属性を抽出することにより、アイテム属性相関をアイテム属性グラフにモデル化する。 ColdGPTは、さまざまな利用可能なデータソース、すなわちアイテムの内容、過去の購入シーケンス、既存のアイテムのレビューテキストから、知識をアイテム属性グラフに転送する。 大規模な実験により、ColdGPTは既存のSCSレコメンデーターを大きなマージンで一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-06-26T07:04:47Z)
• 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)
• Coarse-to-Fine Sparse Sequential Recommendation [28.020405980193125]
  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。
  論文  参考訳（メタデータ） (2022-04-04T20:51:47Z)
• Sequential Modeling with Multiple Attributes for Watchlist Recommendation in E-Commerce [67.6615871959902]
  電子商取引におけるウォッチリスト機能について検討し、新しいウォッチリスト推薦タスクを導入する。 私たちのゴールは、ユーザーが次にクリックするアイテムを予測することで、ユーザーが次に注意を払うべきウォッチリスト項目を優先順位付けすることです。 提案するレコメンデーションモデルであるTrans2DはTransformerアーキテクチャ上に構築されている。
  論文  参考訳（メタデータ） (2021-10-18T10:02:15Z)
• Attribute-aware Explainable Complementary Clothing Recommendation [37.30129304097086]
  本研究は、ファッションレコメンデーションにおける説明可能性の課題に、新しいファッションレコメンデーションレコメンダ(AFRec)を提案して取り組むことを目的とする。 AFRecレコメンダは、各アイテムの視覚的特徴から抽出された属性レベルの表現を明示的に活用することで、服の互換性を評価する。 属性は2つのファッションアイテム間のブリッジとして機能し、そこでは属性間の学習された互換性を通じて、一対のアイテムの親和性を定量化する。
  論文  参考訳（メタデータ） (2021-07-04T14:56:07Z)
• Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback based Recommendation [59.183016033308014]
  本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。 提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
  論文  参考訳（メタデータ） (2021-05-16T08:06:22Z)
• Represent Items by Items: An Enhanced Representation of the Target Item for Recommendation [37.28220632871373]
  アイテムベースの協調フィルタリング(ICF)は、レコメンダシステムやオンライン広告などの産業アプリケーションで広く利用されている。 最近のモデルは、注意メカニズムやディープニューラルネットワークなどの方法を使用して、ユーザー表現とスコアリング機能をより正確に学習します。 共起項目から関連する情報を蒸留する対象項目の表現の強化を提案する。
  論文  参考訳（メタデータ） (2021-04-26T11:28:28Z)
• A Knowledge-Enhanced Recommendation Model with Attribute-Level Co-Attention [16.283718738518534]
  本稿では,知識グラフ(KG)から抽出した項目属性を副次情報として組み込んだ知識強化レコメンデーションモデルACAMを提案する。 ACAMは属性レベルのコアテンション機構で構築され、パフォーマンス向上を実現している。 2つの現実的なデータセットに対する実験により,属性レベルのコアテンションによるユーザ表現とアイテム表現が,最先端の深層モデルよりもACAMの方が優れていることが示された。
  論文  参考訳（メタデータ） (2020-06-18T01:53:39Z)
• Joint Item Recommendation and Attribute Inference: An Adaptive Graph Convolutional Network Approach [61.2786065744784]
  レコメンデーションシステムでは、ユーザとアイテムは属性に関連付けられ、ユーザはアイテムの好みを表示する。 ユーザ(item)属性をアノテートすることは労働集約的なタスクであるため、属性値が欠落している多くの属性値と不完全であることが多い。 本稿では,共同項目推薦と属性推論のための適応グラフ畳み込みネットワーク(AGCN)アプローチを提案する。
  論文  参考訳（メタデータ） (2020-05-25T10:50:01Z)

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。