論文の概要: CORE: Simple and Effective Session-based Recommendation within Consistent Representation Space

• arxiv url: http://arxiv.org/abs/2204.11067v1
• Date: Sat, 23 Apr 2022 13:20:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-27 06:48:18.870956
• Title: CORE: Simple and Effective Session-based Recommendation within Consistent Representation Space
• Title（参考訳）: CORE:一貫性表現空間におけるシンプルで効果的なセッションベース勧告
• Authors: Yupeng Hou, Binbin Hu, Zhiqiang Zhang, Wayne Xin Zhao
• Abstract要約: セッションベースの勧告(SBR、Session-based Recommendation)とは、匿名セッション内での短期的なユーザ行動に基づいて次の項目を予測するタスクを指す。 符号化処理と復号処理の両方の表現空間を統一する,CORE というシンプルで効果的なフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 36.570741651824335
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Session-based Recommendation (SBR) refers to the task of predicting the next item based on short-term user behaviors within an anonymous session. However, session embedding learned by a non-linear encoder is usually not in the same representation space as item embeddings, resulting in the inconsistent prediction issue while recommending items. To address this issue, we propose a simple and effective framework named CORE, which can unify the representation space for both the encoding and decoding processes. Firstly, we design a representation-consistent encoder that takes the linear combination of input item embeddings as session embedding, guaranteeing that sessions and items are in the same representation space. Besides, we propose a robust distance measuring method to prevent overfitting of embeddings in the consistent representation space. Extensive experiments conducted on five public real-world datasets demonstrate the effectiveness and efficiency of the proposed method. The code is available at: https://github.com/RUCAIBox/CORE.
• Abstract（参考訳）: セッションベースレコメンデーション(sbr)とは、匿名セッション内の短期ユーザ行動に基づいて次の項目を予測するタスクである。 しかしながら、非線形エンコーダによって学習されたセッション埋め込みは通常、アイテム埋め込みと同じ表現空間にはないため、アイテムを推奨しながら一貫性のない予測問題が発生する。 この問題に対処するために,符号化処理と復号処理の両方の表現空間を統一する,COREというシンプルで効果的なフレームワークを提案する。 まず,入力項目の埋め込みをセッション埋め込みとして線形に組み合わせた表現一貫性エンコーダを設計し,セッションとアイテムが同じ表現空間にあることを保証する。 さらに,一貫した表現空間における埋め込みの過度な適合を防止するための頑健な距離測定手法を提案する。 提案手法の有効性と有効性を示す5つの実世界データセットに関する広範な実験を行った。 コードは、https://github.com/RUCAIBox/CORE.comで入手できる。

関連論文リスト

• Learning Partially Aligned Item Representation for Cross-Domain Sequential Recommendation [72.73379646418435]
  クロスドメインシーケンシャルレコメンデーションは、ドメイン間でのユーザのシーケンシャルな好みを明らかにすることを目的としている。 ミスアライメントアイテム表現は、サブ最適シーケンシャルモデリングとユーザ表現アライメントにつながる可能性がある。 textbfCross- domain item representation textbfAlignment for textbfCross-textbfDomain textbfSequential textbfRecommendationを提案する。
  論文  参考訳（メタデータ） (2024-05-21T03:25:32Z)
• Attributable and Scalable Opinion Summarization [79.87892048285819]
  我々は、頻繁なエンコーディングを復号することで抽象的な要約を生成し、同じ頻繁なエンコーディングに割り当てられた文を選択して抽出的な要約を生成する。 本手法は,要約プロセスの一部として要約を生成するために使用される文を同定するため,帰属的手法である。 なぜなら、アグリゲーションはトークンの長いシーケンスではなく、潜在空間で実行されるからである。
  論文  参考訳（メタデータ） (2023-05-19T11:30:37Z)
• Implicit Session Contexts for Next-Item Recommendations [27.250637187941532]
  セッションコンテキストは、ほとんどのデータセットで明示的に指定されていない。 セッションを暗黙的に文脈化するISCONを提案する。 ISCONは最先端の予測精度が最先端のモデルよりも優れている。
  論文  参考訳（メタデータ） (2022-08-18T21:48:16Z)
• Exploiting Session Information in BERT-based Session-aware Sequential Recommendation [13.15762859612114]
  推薦システムでは,ユーザインタラクション履歴をシーケンシャルな情報として活用することで,大幅な性能向上を実現している。 多くのオンラインサービスでは、ユーザインタラクションは、通常、通常のシーケンス表現技術とは異なるアプローチを必要とする、おそらく好みを共有するセッションによってグループ化される。 本稿では,BERTに基づく逐次レコメンデーションモデルにおいて,追加パラメータを最小化しながらセッション情報を活用することで,レコメンデーション性能を向上させる3つの手法を提案する。
  論文  参考訳（メタデータ） (2022-04-22T17:58:10Z)
• An End-to-End Transformer Model for Crowd Localization [64.15335535775883]
  頭の位置を予測するクラウドローカライゼーションは、単にカウントするよりも実用的でハイレベルなタスクである。 既存の方法は擬似有界ボックスや事前設計されたローカライゼーションマップを使用し、複雑な後処理に頼って先頭位置を得る。 本稿では,レグレッションベースパラダイムの課題を解決するエレガントでエンドツーエンドなクラウドローカライゼーションTRansformerを提案する。
  論文  参考訳（メタデータ） (2022-02-26T05:21:30Z)
• Contrastive Proposal Extension with LSTM Network for Weakly Supervised Object Detection [52.86681130880647]
  画像レベルのラベルしか使用せず、膨大なアノテーションコストを節約できるため、WSOD (Weakly supervised Object Detection) が注目されている。 本稿では,初期提案と拡張提案を比較して,初期提案を最適化する手法を提案する。 PASCAL VOC 2007 と VOC 2012 と MS-COCO のデータセットを用いた実験により,本手法は最先端の結果を得た。
  論文  参考訳（メタデータ） (2021-10-14T16:31:57Z)
• HCGR: Hyperbolic Contrastive Graph Representation Learning for Session-based Recommendation [5.942131706372327]
  セッションベースレコメンデーション(SBR)は、ユーザの行動の進化から短期的および連続的なパターンをキャプチャすることで、ユーザの好みを学習する。 アイテムのコヒーレンスと階層的表現を適切に捉えるために,双曲型コントラストグラフレコメンダ(HCGR)を提案する。
  論文  参考訳（メタデータ） (2021-07-06T01:46:16Z)
• Improved Representation Learning for Session-based Recommendation [0.0]
  セッションベースのレコメンデーションシステムは、短期匿名セッションを用いてユーザの行動や嗜好をモデル化することで、ユーザに対して関連項目を提案する。 既存の方法はグラフニューラルネットワーク(GNN)を利用して、近隣のノードから情報を伝達し集約する。 我々は、よりリッチな表現学習を可能にする目標注意型GNNと組み合わせてトランスフォーマーを提案する。
  論文  参考訳（メタデータ） (2021-07-04T00:57:28Z)
• Rethinking Space-Time Networks with Improved Memory Coverage for Efficient Video Object Segmentation [68.45737688496654]
  各オブジェクトのマスク特徴を再エンコードすることなく,フレーム間の直接対応性を確立する。 対応によって、現在のクエリフレーム内の全てのノードは、過去の特徴を連想的に集約することによって推測される。 すべてのメモリノードにコントリビュートする機会があることを検証し、そのような多彩な投票がメモリ効率と推論精度の両方に有益であることを示した。
  論文  参考訳（メタデータ） (2021-06-09T16:50:57Z)
• Session-aware Recommendation: A Surprising Quest for the State-of-the-art [6.617487928813376]
  セッション対応レコメンデーションは、ユーザの長期的な好みに応じてパーソナライズすることができる。 我々は最近のセッション認識アルゴリズムを互いに比較し、セッションベースの推薦アルゴリズムと比較した。 我々の研究は、より洗練されたセッション対応レコメンデーションアルゴリズムには、まだ大きな可能性を秘めていることを示している。
  論文  参考訳（メタデータ） (2020-11-06T15:18:01Z)

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。