論文の概要: Intelligent Request Strategy Design in Recommender System
- arxiv url: http://arxiv.org/abs/2206.12296v1
- Date: Thu, 23 Jun 2022 16:51:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-27 14:27:57.671401
- Title: Intelligent Request Strategy Design in Recommender System
- Title（参考訳）: 推薦システムにおけるインテリジェント要求戦略設計
- Authors: Xufeng Qian, Yue Xu, Fuyu Lv, Shengyu Zhang, Ziwen Jiang, Qingwen Liu,
Xiaoyi Zeng, Tat-Seng Chua, Fei Wu
- Abstract要約: 我々は、Intelligent Request Strategy Design(IRSD)というエッジインテリジェンスの新しい学習タスクを構想する。
IRSDは、ユーザのリアルタイムな意図に基づいて、リクエスト挿入の適切なタイミングを決定することにより、ウォーターフォールRSの有効性を向上させることを目的としている。
我々は、アップリフトベースのOn-edge Smart Request Framework(AdaRequest)という、適応的な要求挿入戦略の新しいパラダイムを提案する。
- 参考スコア（独自算出の注目度）: 76.90734681369156
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Waterfall Recommender System (RS), a popular form of RS in mobile
applications, is a stream of recommended items consisting of successive pages
that can be browsed by scrolling. In waterfall RS, when a user finishes
browsing a page, the edge (e.g., mobile phones) would send a request to the
cloud server to get a new page of recommendations, known as the paging request
mechanism. RSs typically put a large number of items into one page to reduce
excessive resource consumption from numerous paging requests, which, however,
would diminish the RSs' ability to timely renew the recommendations according
to users' real-time interest and lead to a poor user experience. Intuitively,
inserting additional requests inside pages to update the recommendations with a
higher frequency can alleviate the problem. However, previous attempts,
including only non-adaptive strategies (e.g., insert requests uniformly), would
eventually lead to resource overconsumption. To this end, we envision a new
learning task of edge intelligence named Intelligent Request Strategy Design
(IRSD). It aims to improve the effectiveness of waterfall RSs by determining
the appropriate occasions of request insertion based on users' real-time
intention. Moreover, we propose a new paradigm of adaptive request insertion
strategy named Uplift-based On-edge Smart Request Framework (AdaRequest).
AdaRequest 1) captures the dynamic change of users' intentions by matching
their real-time behaviors with their historical interests based on
attention-based neural networks. 2) estimates the counterfactual uplift of user
purchase brought by an inserted request based on causal inference. 3)
determines the final request insertion strategy by maximizing the utility
function under online resource constraints. We conduct extensive experiments on
both offline dataset and online A/B test to verify the effectiveness of
AdaRequest.
- Abstract（参考訳）: ウォーターフォール・リコメンダー・システム(Waterfall Recommender System, RS)は、モバイルアプリケーションで一般的なRSの形式であり、スクロールで閲覧できる連続したページからなる推奨項目のストリームである。
ウォーターフォールrsでは、ユーザがページブラウジングを終えると、エッジ(例えば携帯電話)がクラウドサーバにリクエストを送り、ページング要求メカニズムとして知られる新しいレコメンデーションページを取得する。
RSは典型的には大量のアイテムを1ページに配置して、多数のページング要求から過剰なリソース消費を減らすが、RSがユーザのリアルタイムの関心に応じてリコメンデーションをタイムリに更新する能力は低下し、ユーザエクスペリエンスが低下する。
直感的には、レコメンデーションを高い頻度で更新するためにページ内に追加のリクエストを挿入することで、問題を軽減することができる。
しかし、非適応戦略(例えば、リクエストを均一に挿入する)のみを含む以前の試みは、最終的にリソースの消費過剰につながる。
この目的のために我々は、Intelligent Request Strategy Design (IRSD)というエッジインテリジェンスの新しい学習タスクを構想する。
ユーザのリアルタイム意図に基づいて、リクエスト挿入の適切なタイミングを決定することにより、ウォーターフォールrssの有効性を向上させることを目的としている。
さらに,uplift-based on-edge smart request framework (adarequest) という,適応型要求挿入戦略の新しいパラダイムを提案する。
AdaRequest
1)注目型ニューラルネットワークに基づくリアルタイム行動と過去の関心とをマッチングすることにより,ユーザの意図の動的変化を捉える。
2) 因果推論に基づいて,挿入要求によって引き起こされるユーザ購入の反実的上昇を推定する。
3)オンラインリソース制約下でユーティリティ機能を最大化することにより,最終要求挿入戦略を決定する。
AdaRequestの有効性を検証するために、オフラインデータセットとオンラインA/Bテストの両方で広範な実験を行う。
関連論文リスト
- Retriever-and-Memory: Towards Adaptive Note-Enhanced Retrieval-Augmented Generation [72.70046559930555]
本稿では,複雑なQAタスクに対する適応ノート拡張RAG(Adaptive Note-Enhanced RAG)と呼ばれる汎用RAGアプローチを提案する。
具体的には、Adaptive-Noteは、知識の成長に関する包括的な視点を導入し、ノート形式で新しい情報を反復的に収集する。
さらに,適切な知識探索を促進するために,適応的な音符ベースの停止探索戦略を用いて,「何を検索し,いつ停止するか」を判断する。
論文 参考訳（メタデータ） (2024-10-11T14:03:29Z) - Smart E-commerce Recommendations with Semantic AI [0.0]
本稿では,BPニューラルネットワークとセマンティックWebマイニングを組み合わせた新しいソリューションを提案する。
ユーザの検索ログを処理して,コンテンツ優先,時間浪費,ユーザフィードバック,レコメンデーションセマンティクス,入力偏差の5つの重要な特徴を抽出する。
これらの機能は、Webページの分類と優先順位付けのためにBPニューラルネットワークに入力される。優先順位付けされたページは、ユーザに推奨される。
論文 参考訳（メタデータ） (2024-09-02T10:19:31Z) - EASRec: Elastic Architecture Search for Efficient Long-term Sequential
Recommender Systems [82.76483989905961]
現在のSRS(Sequential Recommender Systems)は、計算とリソースの非効率に悩まされている。
我々は、効率的な長期シーケンスレコメンダシステム(EASRec)のための弾性アーキテクチャー探索を開発する。
EASRecは、入力データバッチから履歴情報を活用するデータ認識ゲートを導入し、レコメンデーションネットワークの性能を改善する。
論文 参考訳（メタデータ） (2024-02-01T07:22:52Z) - AdaRec: Adaptive Sequential Recommendation for Reinforcing Long-term
User Engagement [25.18963930580529]
本稿では,AdaRec(Adaptive Sequential Recommendation)と呼ばれる新しいパラダイムを紹介し,この問題に対処する。
AdaRecは、ユーザのインタラクション軌跡から潜時情報を抽出する、新しい距離ベース表現損失を提案する。
シミュレーションベースとライブシーケンシャルなレコメンデーションタスクの両方において、広範な実証分析を行う。
論文 参考訳（メタデータ） (2023-10-06T02:45:21Z) - No-Regret Caching with Noisy Request Estimates [12.603423174002254]
要求推定値がノイズである場合,従来のFPLの変種であるNoisy-Follow-the-Perturbed-Leader (NFPL)アルゴリズムを提案する。
提案手法は,要求推定器の特定の条件下でのサブ線形後悔を有することを示す。
論文 参考訳（メタデータ） (2023-09-05T08:57:35Z) - Session-Aware Query Auto-completion using Extreme Multi-label Ranking [61.753713147852125]
本稿では,セッション対応クエリ自動補完の新たな手法を,XMR(Multi Multi-Xtreme Ranking)問題として取り上げる。
アルゴリズムのキーステップにいくつかの修正を提案することにより、この目的のために一般的なXMRアルゴリズムを適応させる。
当社のアプローチは、セッション情報を活用しながら、自動補完システムの厳しいレイテンシ要件を満たします。
論文 参考訳（メタデータ） (2020-12-09T17:56:22Z) - Towards Comprehensive Recommender Systems: Time-Aware
UnifiedcRecommendations Based on Listwise Ranking of Implicit Cross-Network
Data [33.17802459749589]
我々は,コールドスタートとデータ空間の問題を軽減するために,新しい深層学習に基づく統合型クロスネットワークソリューションを提案する。
提案手法は精度,ノベルティ,多様性の点で優れていることを示す。
人気の高いMovieLensデータセットを用いて行った実験から,提案手法が既存の最先端ランキング技術より優れていることが示唆された。
論文 参考訳（メタデータ） (2020-08-25T08:08:03Z) - Reciprocal Recommender Systems: Analysis of State-of-Art Literature,
Challenges and Opportunities towards Social Recommendation [14.944946561487535]
Reciprocal Recommender System (RRS)は、データ駆動型パーソナライズされた意思決定支援ツールである。
RRSは、ユーザの好み、ニーズ、行動に基づいて、ユーザ関連のデータを処理し、フィルタリングし、推奨する。
本稿では,RSのアルゴリズム,融合プロセス,基礎的特徴に着目し,現状のRS研究を要約する。
論文 参考訳（メタデータ） (2020-07-17T09:48:46Z) - Sequential Recommender via Time-aware Attentive Memory Network [67.26862011527986]
本稿では,注意機構と繰り返し単位を改善するための時間ゲーティング手法を提案する。
また,長期と短期の嗜好を統合するマルチホップ・タイムアウェア・アテンテーティブ・メモリ・ネットワークを提案する。
提案手法は,候補探索タスクに対してスケーラブルであり,ドット積に基づくTop-Kレコメンデーションのための潜在因数分解の非線形一般化とみなすことができる。
論文 参考訳（メタデータ） (2020-05-18T11:29:38Z) - A Generic Network Compression Framework for Sequential Recommender
Systems [71.81962915192022]
シークエンシャルレコメンデーションシステム(SRS)は,ユーザの動的関心を捉え,高品質なレコメンデーションを生成する上で重要な技術となっている。
CpRecと呼ばれる圧縮された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。
大規模なアブレーション研究により、提案したCpRecは実世界のSRSデータセットにおいて最大4$sim$8倍の圧縮速度を達成できることを示した。
論文 参考訳（メタデータ） (2020-04-21T08:40:55Z)
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。