論文の概要: Everyone's Preference Changes Differently: Weighted Multi-Interest Retrieval Model

• arxiv url: http://arxiv.org/abs/2207.06652v4
• Date: Thu, 25 May 2023 22:15:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-30 00:06:25.263470
• Title: Everyone's Preference Changes Differently: Weighted Multi-Interest Retrieval Model
• Title（参考訳）: 人の嗜好の変化:重み付き多目的検索モデル
• Authors: Hui Shi, Yupeng Gu, Yitong Zhou, Bo Zhao, Sicun Gao, Jishen Zhao
• Abstract要約: MIPモデル(Multi-Interest Preference)は、ユーザのシーケンシャルエンゲージメントをより効果的に利用することで、ユーザにとってマルチエンゲージメントを生み出すアプローチである。 本手法の有効性を実証するため,様々な産業規模のデータセットを用いて大規模な実験を行った。
• 参考スコア（独自算出の注目度）: 18.109035867113217
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: User embeddings (vectorized representations of a user) are essential in recommendation systems. Numerous approaches have been proposed to construct a representation for the user in order to find similar items for retrieval tasks, and they have been proven effective in industrial recommendation systems as well. Recently people have discovered the power of using multiple embeddings to represent a user, with the hope that each embedding represents the user's interest in a certain topic. With multi-interest representation, it's important to model the user's preference over the different topics and how the preference change with time. However, existing approaches either fail to estimate the user's affinity to each interest or unreasonably assume every interest of every user fades with an equal rate with time, thus hurting the recall of candidate retrieval. In this paper, we propose the Multi-Interest Preference (MIP) model, an approach that not only produces multi-interest for users by using the user's sequential engagement more effectively but also automatically learns a set of weights to represent the preference over each embedding so that the candidates can be retrieved from each interest proportionally. Extensive experiments have been done on various industrial-scale datasets to demonstrate the effectiveness of our approach.
• Abstract（参考訳）: ユーザ埋め込み(ユーザのベクトル表現)はレコメンデーションシステムにおいて不可欠である。 検索タスクに類似した項目を見つけるためにユーザのための表現を構築するための様々なアプローチが提案されており、産業向けレコメンデーションシステムでも有効であることが証明されている。 近年,各埋め込みが特定のトピックに対するユーザの関心を表すことを期待して,複数の埋め込みをユーザを表現する能力を発見した。 多目的表現では、異なるトピックに対するユーザの好みと、時間とともに好みがどのように変化するかをモデル化することが重要です。 しかし、既存のアプローチでは、各利子に対するユーザーの親和性の推定に失敗したり、不当にすべてのユーザーの興味が時間とともに均等に低下し、候補検索のリコールを損なうと仮定している。 本稿では,ユーザのシーケンシャルなエンゲージメントをより効果的に利用することで,ユーザにとってのマルチ興味を生み出すだけでなく,各埋め込みに対する嗜好を表す重みを自動的に学習し,各関心から候補を比例的に取り出す手法であるmulti-interest preference(mip)モデルを提案する。 本手法の有効性を実証するために,様々な産業規模のデータセットで広範な実験を行った。

関連論文リスト

• MMGRec: Multimodal Generative Recommendation with Transformer Model [81.61896141495144]
  MMGRecは、マルチモーダルレコメンデーションに生成パラダイムを導入することを目指している。 まず,階層的な量子化手法であるGraph CF-RQVAEを考案し,各項目にRec-IDを割り当てる。 次に、Transformerベースのレコメンデータをトレーニングし、過去のインタラクションシーケンスに基づいて、ユーザが推奨するアイテムのRec-IDを生成する。
  論文  参考訳（メタデータ） (2024-04-25T12:11:27Z)
• Ada-Retrieval: An Adaptive Multi-Round Retrieval Paradigm for Sequential Recommendations [50.03560306423678]
  本稿では,レコメンダシステムのための適応型マルチラウンド検索パラダイムであるAda-Retrievalを提案する。 Ada-Retrievalは、ユーザー表現を反復的に洗練し、全項目領域の潜在的な候補をよりよく捉えます。
  論文  参考訳（メタデータ） (2024-01-12T15:26:40Z)
• Sequence-aware item recommendations for multiply repeated user-item interactions [0.0]
  項目推薦のタスクにおいて時間次元を誘導するレコメンデータシステムを設計する。 推薦を行うために、各ユーザに対するアイテムインタラクションのシーケンスを検討する。 本手法は,小売環境におけるユーザとユーザ間のインタラクションを高精度に予測する試みである。
  論文  参考訳（メタデータ） (2023-04-02T17:06:07Z)
• Eliciting User Preferences for Personalized Multi-Objective Decision Making through Comparative Feedback [76.7007545844273]
  目的に対して異なるユーザの好みに対応する多目的意思決定フレームワークを提案する。 我々のモデルは、ベクトル値の報酬関数を持つマルコフ決定プロセスで構成され、各ユーザが未知の選好ベクトルを持つ。 少数の比較クエリを用いて,ユーザに対してほぼ最適なポリシを求めるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-07T23:58:19Z)
• 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)
• The Minority Matters: A Diversity-Promoting Collaborative Metric Learning Algorithm [154.47590401735323]
  CML(Collaborative Metric Learning)は、リコメンデーションシステムにおいて人気のある手法として最近登場した。 本稿では,ユーザが複数のカテゴリの関心を持つ,困難なシナリオに焦点をあてる。 textitDiversity-Promoting Collaborative Metric Learning (DPCML) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-09-30T08:02:18Z)
• kNN-Embed: Locally Smoothed Embedding Mixtures For Multi-interest Candidate Retrieval [7.681386867564213]
  kNN-Embedは、各ユーザを、学習したアイテムクラスタ上のスムーズな混合として表現し、ユーザの“関心”を表現している。 我々は、kNN-Embedを標準のANN候補検索と比較し、全体的なリコールの改善と3つのデータセット間の多様性の向上を示す。
  論文  参考訳（メタデータ） (2022-05-12T16:42:24Z)
• Diversity Regularized Interests Modeling for Recommender Systems [25.339169652217844]
  リコメンダーシステムのための多様性正規化利子モデリング(DRIM)の新しい方法を提案する。 ユーザの興味はある程度の差異を持つべきであり,複数のユーザ関心ベクトルを分離する多様性正規化セパレータとして,3つの戦略を導入する。
  論文  参考訳（メタデータ） (2021-03-23T09:10:37Z)
• Sparse-Interest Network for Sequential Recommendation [78.83064567614656]
  本稿では,シーケンシャルレコメンデーションのためのtextbfSparse textbfInterest textbfNEtwork(SINE)を提案する。 我々のスパース関心モジュールは、大きなコンセプトプールから各ユーザに対してスパースの概念セットを適応的に推測することができる。 SINEは最先端の手法よりも大幅に改善できる。
  論文  参考訳（メタデータ） (2021-02-18T11:03:48Z)
• Attentive Autoencoders for Multifaceted Preference Learning in One-class Collaborative Filtering [23.056754242935824]
  Attentive Multi-modal AutoRecはマルチモーダル潜在表現でユーザの好みを追跡する。 AMAはOC-CF設定下での最先端モデルと競合することを示す。
  論文  参考訳（メタデータ） (2020-10-24T06:35:44Z)
• MRIF: Multi-resolution Interest Fusion for Recommendation [0.0]
  本稿では,ユーザの利害関係を考慮に入れた多分解能利害融合モデル(MRIF)を提案する。 提案モデルでは,ユーザの興味の動的変化を異なる時間範囲で捉えることができ,マルチ解像度のユーザ関心を組み合わせて予測を行う効果的な方法を提供する。
  論文  参考訳（メタデータ） (2020-07-08T02:32:15Z)

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。