論文の概要: Time-aware Self-Attention Meets Logic Reasoning in Recommender Systems
- arxiv url: http://arxiv.org/abs/2208.13330v1
- Date: Mon, 29 Aug 2022 01:46:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-30 13:25:57.841326
- Title: Time-aware Self-Attention Meets Logic Reasoning in Recommender Systems
- Title（参考訳）: 推薦システムにおける論理推論を満足する時間認識自己照会
- Authors: Zhijian Luo, Zihan Huang, Jiahui Tang, Yueen Hou, Yanzeng Gao
- Abstract要約: 本稿では,TiSANCRに基づくリコメンデーションモデルを提案する。
TiSANCRは時間的パターンと自己認識機構を推論に基づくレコメンデーションに統合する。
ベンチマークデータセットの実験では、提案されたTiSANCRが大幅な改善を達成し、常に最先端のレコメンデーション手法より優れていることが示されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: At the age of big data, recommender systems have shown remarkable success as
a key means of information filtering in our daily life. Recent years have
witnessed the technical development of recommender systems, from perception
learning to cognition reasoning which intuitively build the task of
recommendation as the procedure of logical reasoning and have achieve
significant improvement. However, the logical statement in reasoning implicitly
admits irrelevance of ordering, even does not consider time information which
plays an important role in many recommendation tasks. Furthermore,
recommendation model incorporated with temporal context would tend to be
self-attentive, i.e., automatically focus more (less) on the relevance
(irrelevance), respectively.
To address these issues, in this paper, we propose a Time-aware
Self-Attention with Neural Collaborative Reasoning (TiSANCR) based
recommendation model, which integrates temporal patterns and self-attention
mechanism into reasoning-based recommendation. Specially, temporal patterns
represented by relative time, provide context and auxiliary information to
characterize the user's preference in recommendation, while self-attention is
leveraged to distill informative patterns and suppress irrelevances. Therefore,
the fusion of self-attentive temporal information provides deeper
representation of user's preference. Extensive experiments on benchmark
datasets demonstrate that the proposed TiSANCR achieves significant improvement
and consistently outperforms the state-of-the-art recommendation methods.
- Abstract（参考訳）: ビッグデータの時代、レコメンダシステムは、私たちの日常生活における情報フィルタリングの重要な手段として、目覚ましい成功を収めた。
近年、認知学習から認知推論まで、論理的推論の手順として推薦のタスクを直感的に構築し、著しい改善を成し遂げたレコメンダシステムの技術的発展が目撃されている。
しかし、推論における論理的ステートメントは順序に関係せず、多くのレコメンデーションタスクにおいて重要な役割を果たす時間情報も考慮しない。
さらに、時間的文脈に組み込まれたレコメンデーションモデルは、それぞれ関連性(無関係)にもっと(無関係に)注目する傾向がある。
本稿では,時間的パターンと自己対応機構を推論に基づく推薦に統合した,神経協調推論(tisancr)に基づくレコメンデーションモデルを提案する。
特に、相対時間で表される時間的パターンは、ユーザの推薦における嗜好を特徴づける文脈と補助情報を提供し、自己注意は情報的パターンを蒸留し、無関係を抑える。
したがって、自己着眼的な時間情報の融合は、ユーザの好みをより深く表現する。
ベンチマークデータセットに関する広範囲な実験は、提案するtisancrが大幅な改善を達成し、最先端の推奨手法を一貫して上回っていることを示している。
関連論文リスト
- Hierarchical Reinforcement Learning for Temporal Abstraction of Listwise Recommendation [51.06031200728449]
我々はmccHRLと呼ばれる新しいフレームワークを提案し、リストワイドレコメンデーションにおける時間的抽象化のレベルを異なるものにする。
階層的な枠組みの中では、ハイレベルエージェントがユーザ知覚の進化を研究し、低レベルエージェントがアイテム選択ポリシーを作成している。
その結果,本手法による性能改善は,いくつかのよく知られたベースラインと比較して有意な結果が得られた。
論文 参考訳（メタデータ） (2024-09-11T17:01:06Z) - 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) - Fisher-Weighted Merge of Contrastive Learning Models in Sequential
Recommendation [0.0]
我々は、まず、フィッシャー・マージング法をシークエンシャル・レコメンデーションに適用し、それに関連する実践的な課題に対処し、解決する。
提案手法の有効性を実証し, シーケンシャルラーニングおよびレコメンデーションシステムにおける最先端化の可能性を明らかにする。
論文 参考訳（メタデータ） (2023-07-05T05:58:56Z) - Generic Temporal Reasoning with Differential Analysis and Explanation [61.96034987217583]
時間差分解析でギャップを埋めるTODAYという新しいタスクを導入する。
TODAYは、システムがインクリメンタルな変化の効果を正しく理解できるかどうかを評価する。
共同学習においてTODAYの指導スタイルと説明アノテーションが有効であることを示す。
論文 参考訳（メタデータ） (2022-12-20T17:40:03Z) - CausPref: Causal Preference Learning for Out-of-Distribution
Recommendation [36.22965012642248]
現在のレコメンデータシステムは、現実的なシナリオにおけるユーザやアイテムの配布シフトに対して、依然として脆弱である。
本稿では,推奨特化DAG学習者を因果選好に基づく推薦フレームワークCausPrefに組み込むことを提案する。
当社のアプローチは、アウト・オブ・ディストリビューション・セッティングのタイプにおいて、ベンチマークモデルを大幅に上回っている。
論文 参考訳（メタデータ） (2022-02-08T16:42:03Z) - Reinforcement Learning based Path Exploration for Sequential Explainable
Recommendation [57.67616822888859]
強化学習(TMER-RL)を活用した新しい時間的メタパスガイド型説明可能な勧告を提案する。
TMER-RLは, 動的知識グラフ上での動的ユーザ・イテム進化を逐次モデル化するために, 注意機構を持つ連続項目間の強化項目・イテムパスをモデル化する。
2つの実世界のデータセットに対するTMERの大規模な評価は、最近の強いベースラインと比較して最先端のパフォーマンスを示している。
論文 参考訳（メタデータ） (2021-11-24T04:34:26Z) - Recommendation Fairness: From Static to Dynamic [12.080824433982993]
推薦のための強化学習手法に公平性を組み込む方法について論じる。
我々は、推薦公正性をさらに前進させるために、マルチエージェント(ゲーム理論)最適化、マルチオブジェクト(パレート)最適化を検討すべきかもしれないと論じる。
論文 参考訳（メタデータ） (2021-09-05T21:38:05Z) - Dynamic Modeling of User Preferences for Stable Recommendations [0.0]
ユーザーがあまり頻繁に変化しない長期的な好みを開発する傾向があるドメインでは、推奨の安定性は推奨システムの認識品質の重要な要因です。
動的モデリング手法を用いて,このような問題を緩和するインクリメンタル学習方式を提案する。
論文 参考訳（メタデータ） (2021-04-11T16:32:11Z) - S^3-Rec: Self-Supervised Learning for Sequential Recommendation with
Mutual Information Maximization [104.87483578308526]
本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。
そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。
6つの実世界のデータセットで実施された大規模な実験は、既存の最先端手法よりも提案手法が優れていることを示す。
論文 参考訳（メタデータ） (2020-08-18T11:44:10Z) - 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) - D\'ej\`a vu: A Contextualized Temporal Attention Mechanism for
Sequential Recommendation [34.505472771669744]
我々は、過去の出来事がユーザの現在の行動に与える影響は、時間や状況によって異なるべきであると論じる。
本研究では、歴史的行動がどのような行動であるだけでなく、その行動がいつ、どのように行われたかにも影響を及ぼすことを学習する文脈化された時間的注意機構を提案する。
論文 参考訳（メタデータ） (2020-01-29T20:27:42Z)
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。