論文の概要: Reinforcement Learning-enhanced Shared-account Cross-domain Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2206.08088v1
• Date: Thu, 16 Jun 2022 11:06:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-17 14:50:16.738662
• Title: Reinforcement Learning-enhanced Shared-account Cross-domain Sequential Recommendation
• Title（参考訳）: 強化学習による共有アカウントのクロスドメインシーケンスレコメンデーション
• Authors: Lei Guo, Jinyu Zhang, Tong Chen, Xinhua Wang and Hongzhi Yin
• Abstract要約: 共有アカウント クロスドメインシークエンシャルレコメンデーション(SCSR)は、新たな課題である。 本稿では、基本クロスドメインレコメンデータと強化学習ベースドメインフィルタからなる強化学習ベースソリューション、すなわちRL-ISNを提案する。 提案手法の性能を評価するため,実世界の2つのデータセットについて広範な実験を行った。
• 参考スコア（独自算出の注目度）: 38.70844108264403
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Shared-account Cross-domain Sequential Recommendation (SCSR) is an emerging yet challenging task that simultaneously considers the shared-account and cross-domain characteristics in the sequential recommendation. Existing works on SCSR are mainly based on Recurrent Neural Network (RNN) and Graph Neural Network (GNN) but they ignore the fact that although multiple users share a single account, it is mainly occupied by one user at a time. This observation motivates us to learn a more accurate user-specific account representation by attentively focusing on its recent behaviors. Furthermore, though existing works endow lower weights to irrelevant interactions, they may still dilute the domain information and impede the cross-domain recommendation. To address the above issues, we propose a reinforcement learning-based solution, namely RL-ISN, which consists of a basic cross-domain recommender and a reinforcement learning-based domain filter. Specifically, to model the account representation in the shared-account scenario, the basic recommender first clusters users' mixed behaviors as latent users, and then leverages an attention model over them to conduct user identification. To reduce the impact of irrelevant domain information, we formulate the domain filter as a hierarchical reinforcement learning task, where a high-level task is utilized to decide whether to revise the whole transferred sequence or not, and if it does, a low-level task is further performed to determine whether to remove each interaction within it or not. To evaluate the performance of our solution, we conduct extensive experiments on two real-world datasets, and the experimental results demonstrate the superiority of our RL-ISN method compared with the state-of-the-art recommendation methods.
• Abstract（参考訳）: 共有アカウント クロスドメイン シークエンシャルレコメンデーション(SCSR)は、シーケンシャルレコメンデーションにおける共有アカウントとクロスドメインの特徴を同時に考慮する、新興かつ困難なタスクである。 SCSRの既存の研究は主にリカレントニューラルネットワーク(RNN)とグラフニューラルネットワーク(GNN)に基づいているが、複数のユーザが1つのアカウントを共有しているにもかかわらず、主に1つのユーザが占めているという事実を無視している。 この観察は、最近の行動に注意して、より正確なユーザ固有のアカウント表現を学ぶ動機となる。 さらに、既存の作業は、無関係な相互作用に対する重み付けを許容しますが、それでもドメイン情報を減らし、ドメイン間の推奨を妨げます。 上記の課題に対処するため、基本クロスドメインレコメンデータと強化学習ベースドメインフィルタからなる強化学習ベースのソリューション、すなわちRL-ISNを提案する。 具体的には、アカウント表現を共有アカウントシナリオでモデル化するために、基本的なレコメンデータは、ユーザが潜伏しているユーザとして混在する振る舞いをクラスタ化し、その上で注意モデルを利用してユーザ識別を行う。 非関係なドメイン情報の影響を低減するため、ドメインフィルタを階層的強化学習タスクとして定式化し、転送シーケンス全体を修正するか否かをハイレベルなタスクで判断し、もしそうであれば、低レベルなタスクを加えて、その中の各インタラクションを削除するかどうかを判定する。 提案手法の性能を評価するため,2つの実世界のデータセットについて広範な実験を行い,RL-ISN法と最先端のレコメンデーション法を比較検討した。

関連論文リスト

• Cross-Domain Sequential Recommendation via Neural Process [9.01082886458853]
  Cross-Domain Sequential Recommendation (CDSR)は、シーケンスベースのユーザ関心モデリングにおいてホットなトピックである。 オーバーラップしないユーザの行動の可能性を解き明かし、CDSRを強化する方法を示す。
  論文  参考訳（メタデータ） (2024-10-17T14:22:57Z)
• Exploiting Graph Structured Cross-Domain Representation for Multi-Domain Recommendation [71.45854187886088]
  マルチドメインレコメンデータシステムは、クロスドメイン表現学習とポジティブな知識伝達の恩恵を受ける。 我々はMAGRecと呼ばれる手法のコンテキスト情報として時間的ドメイン内相互作用とドメイン間相互作用を用いる。 我々は、MAGRecが最先端の手法を一貫して上回る様々なシナリオで、公開データセットで実験を行う。
  論文  参考訳（メタデータ） (2023-02-12T19:51:32Z)
• Towards Lightweight Cross-domain Sequential Recommendation via External Attention-enhanced Graph Convolution Network [7.1102362215550725]
  クロスドメインシークエンシャルレコメンデーション(CSR)は、複数のドメインからのインタラクションをモデル化することで、重複したユーザの振る舞いパターンの進化を描いている。 上記の課題,すなわちLEA-GCNを解決するために,軽量な外部注意強化GCNベースのフレームワークを導入する。 フレームワークの構造をさらに緩和し、ユーザ固有のシーケンシャルパターンを集約するために、新しい二重チャネル外部注意(EA)コンポーネントを考案する。
  論文  参考訳（メタデータ） (2023-02-07T03:06:29Z)
• Cross-domain recommendation via user interest alignment [20.387327479445773]
  クロスドメインレコメンデーションは、複数のドメインからの知識を活用して、従来のレコメンデーションシステムにおけるデータの分散性とコールドスタートの問題を軽減することを目的としている。 このアプローチの一般的な実践は、各ドメインに個別にユーザ埋め込みをトレーニングし、それらを平易な方法で集約することです。 本稿では,2つのドメインの推薦性能を改善するために,新しいドメイン間推薦フレームワークであるCOASTを提案する。
  論文  参考訳（メタデータ） (2023-01-26T23:54:41Z)
• DDGHM: Dual Dynamic Graph with Hybrid Metric Training for Cross-Domain Sequential Recommendation [15.366783212837515]
  Sequential Recommendation (SR) は、ユーザがアイテム間を移動する方法をモデル化することによって、ユーザの行動の進化パターンを特徴付ける。 この問題を解決するため、我々はクロスドメインシーケンスレコメンデーション(CDSR)に焦点を当てる。 本稿では,CDSR問題のための新しいフレームワークであるDDGHMを提案する。
  論文  参考訳（メタデータ） (2022-09-21T07:53:06Z)
• Time Interval-enhanced Graph Neural Network for Shared-account Cross-domain Sequential Recommendation [44.34610028544989]
  共有アカウント クロスドメイン シークエンシャルレコメンデーション(SCSR)タスクは、複数のドメインにおける混合ユーザ動作を活用することで、次の項目を推奨することを目的としている。 既存のSCSRの研究は主に、リカレントニューラルネットワーク(RNN)ベースのモデルによるシーケンシャルパターンのマイニングに依存している。 上記の課題に対処するために,新たなグラフベースのソリューションTiDA-GCNを提案する。
  論文  参考訳（メタデータ） (2022-06-16T10:06:01Z)
• A cross-domain recommender system using deep coupled autoencoders [77.86290991564829]
  クロスドメインレコメンデーションのために2つの新しい結合型オートエンコーダに基づくディープラーニング手法を提案する。 最初の方法は、ソースドメインとターゲットドメイン内のアイテムの固有表現を明らかにするために、一対のオートエンコーダを同時に学習することを目的としている。 第2の方法は,2つのオートエンコーダを用いてユーザとアイテム待ち行列を深く非線形に生成する,新たな共同正規化最適化問題に基づいて導出する。
  論文  参考訳（メタデータ） (2021-12-08T15:14:26Z)
• Dual Metric Learning for Effective and Efficient Cross-Domain Recommendations [85.6250759280292]
  クロスドメインレコメンダーシステムは、消費者が異なるアプリケーションで有用なアイテムを識別するのを助けるためにますます価値があります。 既存のクロスドメインモデルは、通常、多くのオーバーラップユーザーを必要とするため、いくつかのアプリケーションでは取得が困難である。 本稿では,2つのドメイン間で情報を反復的に伝達する二元学習に基づく新しいクロスドメインレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2021-04-17T09:18:59Z)
• Self-Challenging Improves Cross-Domain Generalization [81.99554996975372]
  畳み込みニューラルネットワーク(CNN)は、ラベルと相関する支配的特徴を活性化することにより、画像分類を行う。 ドメイン外データに対するCNNの一般化を著しく改善する簡単なトレーニングである自己整合表現(RSC)を導入する。 RSCはトレーニングデータ上で活性化される主要な機能に対して反復的に挑戦し、ラベルと相関する残りの機能を有効にするようネットワークに強制する。
  論文  参考訳（メタデータ） (2020-07-05T21:42:26Z)

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。