論文の概要: Scenario-Adaptive and Self-Supervised Model for Multi-Scenario Personalized Recommendation

• arxiv url: http://arxiv.org/abs/2208.11457v1
• Date: Wed, 24 Aug 2022 11:44:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-25 12:22:33.089460
• Title: Scenario-Adaptive and Self-Supervised Model for Multi-Scenario Personalized Recommendation
• Title（参考訳）: シナリオ適応型自己教師付きモデルによるパーソナライズドレコメンデーション
• Authors: Yuanliang Zhang, Xiaofeng Wang, Jinxin Hu, Ke Gao, Chenyi Lei, Fei Fang
• Abstract要約: シナリオ適応型自己監督型(SASS)モデルを提案し,上記の3つの課題を解決する。 このモデルは、ユーザ側とアイテム側の両方で対称に生成され、異なるシナリオにおけるアイテムの表現を区別することができる。 このモデルは、オンラインA/Bテストにおける平均視聴時間に対して8.0%以上の改善も達成している。
• 参考スコア（独自算出の注目度）: 35.4495536683099
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-scenario recommendation is dedicated to retrieve relevant items for users in multiple scenarios, which is ubiquitous in industrial recommendation systems. These scenarios enjoy portions of overlaps in users and items, while the distribution of different scenarios is different. The key point of multi-scenario modeling is to efficiently maximize the use of whole-scenario information and granularly generate adaptive representations both for users and items among multiple scenarios. we summarize three practical challenges which are not well solved for multi-scenario modeling: (1) Lacking of fine-grained and decoupled information transfer controls among multiple scenarios. (2) Insufficient exploitation of entire space samples. (3) Item's multi-scenario representation disentanglement problem. In this paper, we propose a Scenario-Adaptive and Self-Supervised (SASS) model to solve the three challenges mentioned above. Specifically, we design a Multi-Layer Scenario Adaptive Transfer (ML-SAT) module with scenario-adaptive gate units to select and fuse effective transfer information from whole scenario to individual scenario in a quite fine-grained and decoupled way. To sufficiently exploit the power of entire space samples, a two-stage training process including pre-training and fine-tune is introduced. The pre-training stage is based on a scenario-supervised contrastive learning task with the training samples drawn from labeled and unlabeled data spaces. The model is created symmetrically both in user side and item side, so that we can get distinguishing representations of items in different scenarios. Extensive experimental results on public and industrial datasets demonstrate the superiority of the SASS model over state-of-the-art methods. This model also achieves more than 8.0% improvement on Average Watching Time Per User in online A/B tests.
• Abstract（参考訳）: マルチシナリオレコメンデーションは、産業レコメンデーションシステムにおいてユビキタスな複数のシナリオにおいて、ユーザの関連するアイテムを検索することを目的としている。 これらのシナリオにはユーザとアイテムの重複部分があり、異なるシナリオの分布が異なる。 多シナリオモデリングのキーポイントは、全シナリオ情報の使用を効率的に最大化し、複数のシナリオにおいてユーザとアイテムの両方に対して適応表現をきめ細かく生成することである。 マルチシナリオモデリングでは不十分な3つの実践的課題を要約する。(1) 細粒度情報転送制御と分離情報転送制御の欠如。 (2)宇宙サンプル全体の活用が不十分である。 (3) 項目の多シナリオ表現の絡み合い問題 本稿では,上記3つの課題を解決するために,シナリオ適応型自己監督型(SASS)モデルを提案する。 具体的には、シナリオ適応ゲートユニットを備えた多層シナリオ適応トランスファー(ML-SAT)モジュールを設計し、シナリオ全体から個々のシナリオへの効率的な転送情報を、非常にきめ細かな分離方法で選択・融合する。 空間サンプル全体のパワーを十分に活用するために、事前訓練と微調整を含む2段階の訓練プロセスを導入する。 事前学習段階は、ラベル付きおよびラベルなしのデータ空間から引き出されたトレーニングサンプルと、シナリオ教師付きコントラスト学習タスクに基づいている。 モデルは、ユーザ側とアイテム側の両方で対称に作成され、異なるシナリオでアイテムの識別表現を得ることができる。 公的および工業的なデータセットに対する大規模な実験結果は、最先端の手法よりもSASSモデルの方が優れていることを示している。 このモデルは、オンラインA/Bテストで平均視聴時間に対して8.0%以上改善する。

関連論文リスト

• A Practitioner's Guide to Continual Multimodal Pretraining [83.63894495064855]
  マルチモーダル・ファンデーション・モデルは視覚と言語を交わす多くのアプリケーションに役立っている。 モデルを更新し続けるために、継続事前トレーニングの研究は主に、大規模な新しいデータに対する頻度の低い、差別的な更新、あるいは頻繁に行われるサンプルレベルの更新のシナリオを探求する。 本稿では,FoMo-in-Flux(FoMo-in-Flux)について紹介する。
  論文  参考訳（メタデータ） (2024-08-26T17:59:01Z)
• Adaptive Utilization of Cross-scenario Information for Multi-scenario Recommendation [11.489766641148151]
  マルチシナリオ勧告(Multi-scenario Recommendation、MSR)は、さまざまなシナリオからの情報を活用することで、ランキングパフォーマンスを向上させる重要なトピックである。 MSRの最近の手法は主に、共通性とシナリオ間の差異をモデル化するために共有または特定のモジュールを構築する。 我々は,シナリオに支配された専門家の混在により,すべてのシナリオに対処するために,CSII(Cross-Scenario Information Interaction)という統合モデルを提案する。
  論文  参考訳（メタデータ） (2024-07-29T06:17:33Z)
• A Unified Search and Recommendation Framework Based on Multi-Scenario Learning for Ranking in E-commerce [13.991015845541257]
  統一検索・レコメンデーション(USR)のための効果的で普遍的なフレームワークを提案する。 USRは様々なマルチシナリオモデルに適用でき、性能を大幅に改善することができる。 USRは7Fresh Appでうまくデプロイされている。
  論文  参考訳（メタデータ） (2024-05-17T14:57:52Z)
• UMSE: Unified Multi-scenario Summarization Evaluation [52.60867881867428]
  要約品質評価は、テキスト要約における非自明なタスクである。 統一多シナリオ要約評価モデル(UMSE)を提案する。 UMSEは3つの評価シナリオで使用できる能力に係わる最初の統合要約評価フレームワークである。
  論文  参考訳（メタデータ） (2023-05-26T12:54:44Z)
• SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [62.889835139583965]
  我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。 両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。 実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
  論文  参考訳（メタデータ） (2023-04-06T17:36:23Z)
• HiNet: Novel Multi-Scenario & Multi-Task Learning with Hierarchical Information Extraction [50.40732146978222]
  マルチシナリオとマルチタスク学習は、産業アプリケーションにおける多くのレコメンデーションシステムに広く応用されている。 階層型情報抽出ネットワーク(HiNet)を提案する。 HiNetは、新しい最先端のパフォーマンスを実現し、既存のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2023-03-10T17:24:41Z)
• Vectorized Scenario Description and Motion Prediction for Scenario-Based Testing [2.07180164747172]
  本稿では,道路形状と車両軌跡によって定義されたベクトル化されたシナリオ記述を提案する。 この形式のデータは3つのシナリオに対して生成され、マージされ、モーション予測モデルであるVectorNetのトレーニングに使用される。
  論文  参考訳（メタデータ） (2023-02-02T15:32:25Z)
• Scenario-aware and Mutual-based approach for Multi-scenario Recommendation in E-Commerce [12.794276204716642]
  不均質な電子商取引のシナリオでユーザーのための正確な推奨を行う方法は、まだ継続的な研究トピックです。 本稿では,複数のシナリオの違いと類似性を活用するScenario-aware Mutual Learning (SAML) という新しい推奨モデルを提案する。
  論文  参考訳（メタデータ） (2020-12-16T13:52:14Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)

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。