論文の概要: Positive, Negative and Neutral: Modeling Implicit Feedback in
Session-based News Recommendation
- arxiv url: http://arxiv.org/abs/2205.06058v1
- Date: Thu, 12 May 2022 12:47:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-13 14:17:14.283456
- Title: Positive, Negative and Neutral: Modeling Implicit Feedback in
Session-based News Recommendation
- Title（参考訳）: 肯定的,否定的,中立的:セッションベースのニュースレコメンデーションにおける帰属的フィードバックのモデル化
- Authors: Shansan Gong and Kenny Q. Zhu
- Abstract要約: 本稿では,肯定的なフィードバックと否定的なフィードバックを通じて,ユーザの振る舞いをモデル化する包括的フレームワークを提案する。
フレームワークは、セッション開始時間と、最初の公開時間を使った記事を使って、暗黙的にユーザーをモデル化する。
3つの実世界のニュースデータセットに対する実証的な評価は、フレームワークの有望なパフォーマンスを示している。
- 参考スコア（独自算出の注目度）: 13.905580921329717
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: News recommendation for anonymous readers is a useful but challenging task
for many news portals, where interactions between readers and articles are
limited within a temporary login session. Previous works tend to formulate
session-based recommendation as a next item prediction task, while they neglect
the implicit feedback from user behaviors, which indicates what users really
like or dislike. Hence, we propose a comprehensive framework to model user
behaviors through positive feedback (i.e., the articles they spend more time
on) and negative feedback (i.e., the articles they choose to skip without
clicking in). Moreover, the framework implicitly models the user using their
session start time, and the article using its initial publishing time, in what
we call "neutral feedback". Empirical evaluation on three real-world news
datasets shows the framework's promising performance of more accurate, diverse
and even unexpectedness recommendations than other state-of-the-art
session-based recommendation approaches.
- Abstract（参考訳）: 匿名読者向けのニュースレコメンデーションは多くのニュースポータルで有用だが、一時的なログインセッションで読者と記事間のやりとりが制限されている。
以前の作業では、セッションベースの推奨を次の項目予測タスクとして定式化する傾向があり、ユーザ行動からの暗黙のフィードバックは無視される。
そこで我々は,ポジティブなフィードバック(つまり,より多くの時間を費やす記事)とネガティブなフィードバック(クリックせずにスキップする記事)を通じて,ユーザの振る舞いをモデル化するための包括的なフレームワークを提案する。
さらに、このフレームワークは、セッション開始時刻と、最初の公開時刻を使った記事を、私たちが"中立的なフィードバック"と呼ぶ形で暗黙的にモデル化する。
実世界の3つのニュースデータセットに対する実証的な評価は、他の最先端のセッションベースの推奨アプローチよりも正確で多様性があり、予想外のパフォーマンスを示す。
関連論文リスト
- Enhancing Sequential Music Recommendation with Negative Feedback-informed Contrastive Learning [0.20482269513546453]
セッションベース音楽レコメンデーションにアイテム埋め込みを構成するためのシーケンス対応サブタスクを提案する。
これは、K-nearest-neighbors検索でアイテムランキングに直接影響する。
シーケンシャルアイテムレコメンデーションのために、このタスクをSoTAメソッドに組み込んだ実験は、一貫したパフォーマンス向上を示す。
論文 参考訳（メタデータ） (2024-09-11T15:56:05Z) - Negative Sampling in Recommendation: A Survey and Future Directions [43.11318243903388]
ネガティブサンプリングは、ユーザの行動に固有の真のネガティブな側面を明らかにすることに熟練している。
我々は、既存のネガティブサンプリング戦略に関する広範な文献レビューを行い、推奨する。
多様なレコメンデーションシナリオにおいて、最適化されたネガティブサンプリング戦略の洞察について詳述する。
論文 参考訳（メタデータ） (2024-09-11T12:48:52Z) - Learning from Negative User Feedback and Measuring Responsiveness for
Sequential Recommenders [13.762960304406016]
シーケンシャルレコメンデータのトレーニング目標に、明示的かつ暗黙的なネガティブなユーザフィードバックを導入する。
大規模産業レコメンデーションシステムを用いた実演実験により,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-08-23T17:16:07Z) - Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。
しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。
したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
論文 参考訳（メタデータ） (2022-11-17T19:00:24Z) - Intra-session Context-aware Feed Recommendation in Live Systems [35.84926743736469]
本稿では,全ビューと全クリックを同時に最大化する,セッション内コンテキスト対応フィードレコメンデーションフレームワークを提案する。
提案手法は,セッションレベルのクリックとビューのメトリクスを最適化することを目的とした,フィードレコメンデーション研究に光を当てる。
論文 参考訳（メタデータ） (2022-09-30T04:21:36Z) - Denoising Neural Network for News Recommendation with Positive and
Negative Implicit Feedback [32.87091195673515]
そこで我々は,DRPNという肯定的,否定的なフィードバックを持つニューズレコメンデーションのためのニューラルネットを提案する。
DRPNは、モジュールとのリコメンデーションに両方のフィードバックを利用し、肯定的なフィードバックと否定的なフィードバックの両方を識別し、パフォーマンスをさらに向上させる。
論文 参考訳（メタデータ） (2022-04-09T05:47:17Z) - SIFN: A Sentiment-aware Interactive Fusion Network for Review-based Item
Recommendation [48.1799451277808]
本稿では、レビューに基づく項目推薦のための感性認識型インタラクティブフュージョンネットワーク(SIFN)を提案する。
まず、BERTを介してユーザ/イテムレビューをエンコードし、各レビューのセマンティックな特徴を抽出する軽量な感情学習者を提案する。
そこで我々は,感情学習者が明示的な感情ラベルを用いて感情認識特徴を抽出するための感情予測タスクを提案する。
論文 参考訳（メタデータ） (2021-08-18T08:04:38Z) - 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) - 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) - Seamlessly Unifying Attributes and Items: Conversational Recommendation
for Cold-Start Users [111.28351584726092]
コールドスタートユーザに対しては,属性を問うと同時に,ユーザに対して対話的に商品を推薦する,対話型レコメンデーションを提案する。
会話型トンプソンサンプリング(ConTS)モデルでは,最大報酬の腕を選択することで,対話型レコメンデーションにおけるすべての質問を一意に解決する。
論文 参考訳（メタデータ） (2020-05-23T08:56:37Z) - Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。
我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。
私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
論文 参考訳（メタデータ） (2020-05-19T10:18:43Z)
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。