論文の概要: Recommender Transformers with Behavior Pathways
- arxiv url: http://arxiv.org/abs/2206.06804v1
- Date: Mon, 13 Jun 2022 08:58:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-16 11:23:22.596037
- Title: Recommender Transformers with Behavior Pathways
- Title(参考訳): 行動経路を有するレコメンダ変換器
- Authors: Zhiyu Yao, Xinyang Chen, Sinan Wang, Qinyan Dai, Yumeng Li, Tanchao
Zhu, Mingsheng Long
- Abstract要約: Recommender Transformer (RETR) を新しいパスウェイアテンション機構で構築する。
実世界の7つのデータセットにおけるRETRの有効性を実証的に検証する。
- 参考スコア(独自算出の注目度): 50.842316273120744
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sequential recommendation requires the recommender to capture the evolving
behavior characteristics from logged user behavior data for accurate
recommendations. However, user behavior sequences are viewed as a script with
multiple ongoing threads intertwined. We find that only a small set of pivotal
behaviors can be evolved into the user's future action. As a result, the future
behavior of the user is hard to predict. We conclude this characteristic for
sequential behaviors of each user as the Behavior Pathway. Different users have
their unique behavior pathways. Among existing sequential models, transformers
have shown great capacity in capturing global-dependent characteristics.
However, these models mainly provide a dense distribution over all previous
behaviors using the self-attention mechanism, making the final predictions
overwhelmed by the trivial behaviors not adjusted to each user. In this paper,
we build the Recommender Transformer (RETR) with a novel Pathway Attention
mechanism. RETR can dynamically plan the behavior pathway specified for each
user, and sparingly activate the network through this behavior pathway to
effectively capture evolving patterns useful for recommendation. The key design
is a learned binary route to prevent the behavior pathway from being
overwhelmed by trivial behaviors. We empirically verify the effectiveness of
RETR on seven real-world datasets and RETR yields state-of-the-art performance.
- Abstract(参考訳): シーケンシャルレコメンデーションでは、正確なレコメンデーションのために、ログ化されたユーザ行動データから進化する振る舞い特性をキャプチャする必要がある。
しかし、ユーザーの振る舞いシーケンスは複数のスレッドが絡み合っているスクリプトと見なされる。
重要な振る舞いの小さなセットだけが、ユーザの将来のアクションに進化できることが分かっています。
その結果,ユーザの将来の行動を予測することは困難である。
この特性は,各ユーザの逐次動作を行動経路として決定する。
異なるユーザーは独自の行動経路を持っている。
既存のシーケンシャルモデルの中で、トランスフォーマーは世界依存の特徴を捉えている。
しかし、これらのモデルは、主に自己注意機構を用いて、以前の全ての行動に密分布を提供し、各ユーザーに調整されていない自明な行動によって最終的な予測が圧倒される。
本稿では,新しいパスウェイアテンション機構を備えたRecommender Transformer(RETR)を構築する。
RETRは、ユーザ毎に指定された行動経路を動的に計画し、この行動経路を介してネットワークをスペアリングして、推奨に有用な進化パターンを効果的に捕捉することができる。
重要な設計は、単純な振る舞いによって振舞いパスが圧倒されるのを防ぐために学習されたバイナリルートである。
実世界の7つのデータセットに対するRETRの有効性を実証的に検証し、RETRは最先端の性能を得る。
関連論文リスト
- Personalized Behavior-Aware Transformer for Multi-Behavior Sequential
Recommendation [25.400756652696895]
マルチビヘイビアシーケンスレコメンデーション(MBSR)問題に対するパーソナライズされた行動認識変換フレームワーク(PBAT)を提案する。
PBATは表現層にパーソナライズされた振舞いパターン生成器を開発し,逐次学習のための動的・識別的な振舞いパターンを抽出する。
3つのベンチマークデータセットで実験を行い、その結果、フレームワークの有効性と解釈性を示した。
論文 参考訳(メタデータ) (2024-02-22T12:03:21Z) - Deep Group Interest Modeling of Full Lifelong User Behaviors for CTR
Prediction [31.391637634812714]
Deep Group Interest Network (DGIN) は、ユーザーの行動履歴をモデル化するエンド・ツー・エンドの手法である。
DGINグルーピングはO(104)からO(102)までの行動長を著しく減少させる
我々は、生涯の行動シーケンスから、同じ項目_idと候補項目を共有する行動のサブセットを同定する。
論文 参考訳(メタデータ) (2023-11-15T06:36:11Z) - PUNR: Pre-training with User Behavior Modeling for News Recommendation [26.349183393252115]
ニュースレコメンデーションは、ユーザーの行動に基づいてクリック行動を予測することを目的としている。
ユーザの表現を効果的にモデル化する方法が、望ましいニュースを推奨する鍵である。
本研究では,ユーザ行動マスキングとユーザ行動生成という2つのタスクを備えた教師なし事前学習パラダイムを提案する。
論文 参考訳(メタデータ) (2023-04-25T08:03:52Z) - A Deep Behavior Path Matching Network for Click-Through Rate Prediction [9.800832176496002]
本稿では,ユーザの現在の行動経路と過去の行動経路とを一致させて,ユーザの行動を予測することを提案する。
我々は,行動経路マッチングのためのディープニューラルネットワークを設計し,行動経路の空間性,ノイズ干渉,行動経路の正確なマッチングという3つの問題を解決する。
本モデルでは,2つの実世界のデータセットにおいて,最先端のCTRモデルよりも優れた性能を示す。
論文 参考訳(メタデータ) (2023-02-01T08:08:21Z) - 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) - Multi-Behavior Sequential Recommendation with Temporal Graph Transformer [66.10169268762014]
マルチビヘイビア・インタラクティブなパターンを意識した動的ユーザ・イテム関係学習に取り組む。
本稿では,動的短期および長期のユーザ・イテム対話パターンを共同でキャプチャする,TGT(Temporal Graph Transformer)レコメンデーションフレームワークを提案する。
論文 参考訳(メタデータ) (2022-06-06T15:42:54Z) - Enhancing Sequential Recommendation with Graph Contrastive Learning [64.05023449355036]
本稿では、逐次推薦のためのグラフコントラスト学習(GCL4SR)という、新しいシーケンシャルレコメンデーションフレームワークを提案する。
GCL4SRは、すべてのユーザのインタラクションシーケンスに基づいて構築された重み付きアイテム遷移グラフ(WITG)を使用して、各インタラクションのグローバルなコンテキスト情報を提供し、シーケンスデータのノイズ情報を弱める。
実世界のデータセットの実験では、GCL4SRは最先端のシーケンシャルレコメンデーションメソッドよりも一貫して優れていることが示されている。
論文 参考訳(メタデータ) (2022-05-30T03:53:31Z) - Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。
本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。
最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
論文 参考訳(メタデータ) (2021-09-07T04:28:09Z) - Sequence Adaptation via Reinforcement Learning in Recommender Systems [8.909115457491522]
そこで我々は,SARモデルを提案する。SARモデルは,ユーザとイテムの相互作用のシーケンス長をパーソナライズされた方法で調整する。
さらに,逐次レコメンデーションの精度を批評家ネットワークの予測累積報酬と整合させるために,共同損失関数を最適化する。
実世界の4つのデータセットに対する実験的な評価は,提案モデルがいくつかのベースラインアプローチよりも優れていることを示す。
論文 参考訳(メタデータ) (2021-07-31T13:56:46Z) - Multi-Interactive Attention Network for Fine-grained Feature Learning in
CTR Prediction [48.267995749975476]
クリックスルー率(ctr)予測シナリオでは、ユーザのシーケンシャルな動作を利用してユーザの関心を捉える。
既存の手法は主にユーザの行動に注意を払っているが、CTR予測には必ずしも適していない。
マルチインタラクティブ・アテンション・ネットワーク (MIAN) を提案し, 各種微細な特徴間の潜在関係を総合的に抽出する。
論文 参考訳(メタデータ) (2020-12-13T05:46:19Z)
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。