論文の概要: Beyond Learning from Next Item: Sequential Recommendation via Personalized Interest Sustainability

• arxiv url: http://arxiv.org/abs/2209.06644v1
• Date: Wed, 14 Sep 2022 13:47:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-15 13:08:47.777879
• Title: Beyond Learning from Next Item: Sequential Recommendation via Personalized Interest Sustainability
• Title（参考訳）: 次の項目からの学習を超えて:パーソナライズされた関心の持続可能性によるシーケンスレコメンデーション
• Authors: Dongmin Hyun, Chanyoung Park, Junsu Cho, and Hwanjo Yu
• Abstract要約: シークエンシャルレコメンデータシステムでは,ユーザの関心の漂流を捉えることで,効果的な提案がなされている。 ユーザ中心のモデルは、各ユーザの逐次消費履歴に基づいて、パーソナライズされた関心のドリフトをキャプチャする。 アイテム中心のモデルは、トレーニング時間後にユーザーの一般的な関心が持続するかどうかを検討するが、パーソナライズされない。
• 参考スコア（独自算出の注目度）: 22.120680831015783
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequential recommender systems have shown effective suggestions by capturing users' interest drift. There have been two groups of existing sequential models: user- and item-centric models. The user-centric models capture personalized interest drift based on each user's sequential consumption history, but do not explicitly consider whether users' interest in items sustains beyond the training time, i.e., interest sustainability. On the other hand, the item-centric models consider whether users' general interest sustains after the training time, but it is not personalized. In this work, we propose a recommender system taking advantages of the models in both categories. Our proposed model captures personalized interest sustainability, indicating whether each user's interest in items will sustain beyond the training time or not. We first formulate a task that requires to predict which items each user will consume in the recent period of the training time based on users' consumption history. We then propose simple yet effective schemes to augment users' sparse consumption history. Extensive experiments show that the proposed model outperforms 10 baseline models on 11 real-world datasets. The codes are available at https://github.com/dmhyun/PERIS.
• Abstract（参考訳）: シークエンシャルレコメンデータシステムは,ユーザの関心の流出を捉えて効果的な提案を行っている。 既存のシーケンシャルモデルには、ユーザ中心モデルとアイテム中心モデルという2つのグループがある。 ユーザ中心のモデルは、各ユーザのシーケンシャルな消費履歴に基づいてパーソナライズされた関心のドリフトをキャプチャするが、アイテムに対するユーザの関心がトレーニング時間、すなわち関心持続時間を超えて持続するかどうかを明示的に考慮しない。 一方,アイテム中心モデルは,ユーザの一般関心がトレーニング時間後に持続するか否かを検討するが,パーソナライズされていない。 本研究では,両カテゴリのモデルの利点を活かしたレコメンダシステムを提案する。 提案モデルでは,アイテムに対する各ユーザの関心がトレーニング時間を超えて持続するかどうかを示す,パーソナライズされた関心持続性が把握される。 まず、利用者の消費履歴に基づいて、各利用者が最近の学習期間に消費するアイテムを予測しなければならないタスクを定式化する。 次に,利用者の少ない消費履歴を増大させるための簡易かつ効果的なスキームを提案する。 広範な実験により、提案モデルが11の現実世界のデータセット上で10のベースラインモデルを上回ることが示された。 コードはhttps://github.com/dmhyun/perisで入手できる。

関連論文リスト

• USE: Dynamic User Modeling with Stateful Sequence Models [26.74966828348815]
  User Stateful Embedding (USE)は、徹底的な再処理を必要とせずに、ユーザ埋め込みを生成する。 我々は,次世代の予測の限界を超越するために,将来のW行動予測という新たな訓練目標を導入する。 静的(固定されたユーザ行動シーケンス)および動的(定期的に更新されたユーザ行動シーケンス)設定の両方で、Snapchatユーザーの行動ログを使用して、8つの下流タスクで実験を行う。
  論文  参考訳（メタデータ） (2024-03-20T07:05:19Z)
• TransAct: Transformer-based Realtime User Action Model for Recommendation at Pinterest [17.247452803197362]
  本稿では、PinterestのHomefeedランキングアーキテクチャについて述べる。 本研究では,リアルタイム活動からユーザの短期的嗜好を抽出するシーケンシャルモデルであるTransActを提案する。 本稿では, アブレーション研究の結果, 生産時の課題, オンラインA/B実験の結果について述べる。
  論文  参考訳（メタデータ） (2023-05-31T23:45:29Z)
• 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)
• Everyone's Preference Changes Differently: Weighted Multi-Interest Retrieval Model [18.109035867113217]
  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。
  論文  参考訳（メタデータ） (2022-07-14T04:29:54Z)
• PinnerFormer: Sequence Modeling for User Representation at Pinterest [60.335384724891746]
  我々は、ユーザの将来的なエンゲージメントを予測するためにトレーニングされたユーザ表現であるPinnerFormerを紹介する。 従来のアプローチとは異なり、新しい密集した全アクション損失を通じて、モデリングをバッチインフラストラクチャに適応させます。 その結果,1日に1回発生するバッチユーザ埋め込みと,ユーザがアクションを行うたびに発生するリアルタイムユーザ埋め込みとの間には,大きなギャップがあることが判明した。
  論文  参考訳（メタデータ） (2022-05-09T18:26:51Z)
• Modeling Dynamic User Preference via Dictionary Learning for Sequential Recommendation [133.8758914874593]
  ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。 浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。 本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
  論文  参考訳（メタデータ） (2022-04-02T03:23:46Z)
• Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation [62.30552176649873]
  シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。 両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。 モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:44:27Z)
• Modeling User Behaviour in Research Paper Recommendation System [8.980876474818153]
  ディープシーケンシャルなトピック分析に基づくユーザ意図モデルを提案する。 モデルは、興味のあるトピックの観点から、ユーザの意図を予測する。 提案手法では,研究論文推薦システムの設計に適したユーザアクティビティをモデル化する新たなロードマップを提案する。
  論文  参考訳（メタデータ） (2021-07-16T11:31:03Z)
• PURS: Personalized Unexpected Recommender System for Improving User Satisfaction [76.98616102965023]
  本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。 3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-06-05T01:33:21Z)
• Dynamic Memory based Attention Network for Sequential Recommendation [79.5901228623551]
  DMAN(Dynamic Memory-based Attention Network)と呼ばれる新しい連続的推薦モデルを提案する。 長い動作シーケンス全体を一連のサブシーケンスに分割し、モデルをトレーニングし、ユーザの長期的な利益を維持するためにメモリブロックのセットを維持する。 動的メモリに基づいて、ユーザの短期的および長期的関心を明示的に抽出し、組み合わせて効率的な共同推薦を行うことができる。
  論文  参考訳（メタデータ） (2021-02-18T11:08:54Z)

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。