論文の概要: Intra-session Context-aware Feed Recommendation in Live Systems
- arxiv url: http://arxiv.org/abs/2210.07815v1
- Date: Fri, 30 Sep 2022 04:21:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 20:43:21.600398
- Title: Intra-session Context-aware Feed Recommendation in Live Systems
- Title（参考訳）: ライブシステムにおけるセッション内コンテキスト認識フィードレコメンデーション
- Authors: Luo Ji and Gao Liu and Mingyang Yin and Hongxia Yang
- Abstract要約: 本稿では,全ビューと全クリックを同時に最大化する,セッション内コンテキスト対応フィードレコメンデーションフレームワークを提案する。
提案手法は,セッションレベルのクリックとビューのメトリクスを最適化することを目的とした,フィードレコメンデーション研究に光を当てる。
- 参考スコア（独自算出の注目度）: 35.84926743736469
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Feed recommendation allows users to constantly browse items until feel
uninterested and leave the session, which differs from traditional
recommendation scenarios. Within a session, user's decision to continue
browsing or not substantially affects occurrences of later clicks. However,
such type of exposure bias is generally ignored or not explicitly modeled in
most feed recommendation studies. In this paper, we model this effect as part
of intra-session context, and propose a novel intra-session Context-aware Feed
Recommendation (INSCAFER) framework to maximize the total views and total
clicks simultaneously. User click and browsing decisions are jointly learned by
a multi-task setting, and the intra-session context is encoded by the
session-wise exposed item sequence. We deploy our model on Alipay with all key
business benchmarks improved. Our method sheds some lights on feed
recommendation studies which aim to optimize session-level click and view
metrics.
- Abstract（参考訳）: フィードレコメンデーションにより、ユーザーは興味のないと感じ、セッションを離れるまで、アイテムを常に閲覧することができる。
セッション内で、ユーザーがブラウジングを続けるかどうかの決定は、後続クリックの発生に大きく影響する。
しかし、この種の露光バイアスは一般的に無視されるか、ほとんどのフィード推奨研究で明示的にモデル化されていない。
本稿では,この効果をセッション内コンテキストの一部としてモデル化し,全ビューと全クリックを同時に最大化するための新しいセッション内コンテキスト対応フィードレコメンデーション(INSCAFER)フレームワークを提案する。
ユーザクリックとブラウジングの決定はマルチタスク設定で共同学習され、セッション単位のアイテムシーケンスによってセッション内コンテキストが符号化される。
当社のモデルをalipayにデプロイし、すべての主要なビジネスベンチマークを改善しました。
提案手法は,セッションレベルのクリックとビューのメトリクスを最適化することを目的とした,フィードレコメンデーション研究に光を当てる。
関連論文リスト
- Generative Slate Recommendation with Reinforcement Learning [49.75985313698214]
強化学習アルゴリズムは、レコメンデータシステムのユーザエンゲージメントを最適化するために使用することができる。
しかし、RLアプローチはスレートレコメンデーションシナリオでは難解である。
この設定では、アクションはアイテムの組み合わせを含むことができるスレートに対応する。
本研究では,変分オートエンコーダによって学習された連続低次元ラテント空間におけるスレートの符号化を提案する。
我々は、(i)以前の作業で要求される仮定を緩和し、(ii)完全なスレートをモデル化することで、アクション選択の品質を向上させることができる。
論文 参考訳（メタデータ） (2023-01-20T15:28:09Z) - Heterogeneous Graph Neural Network for Personalized Session-Based
Recommendation with User-Session Constraints [0.0]
セッションベースのレコメンデーションは、アイテムのシーケンスで構成されるセッションを解釈することでアイテムを推奨しようとする。
本稿では,不均一な注意ネットワークを通じてセッションによって生成されるグラフの様々な関係について考察する。
トレーニングプロセスのさらなる最適化を通じて、パフォーマンスの向上を目指している。
論文 参考訳（メタデータ） (2022-05-23T14:35:26Z) - Positive, Negative and Neutral: Modeling Implicit Feedback in
Session-based News Recommendation [13.905580921329717]
本稿では,肯定的なフィードバックと否定的なフィードバックを通じて,ユーザの振る舞いをモデル化する包括的フレームワークを提案する。
フレームワークは、セッション開始時間と、最初の公開時間を使った記事を使って、暗黙的にユーザーをモデル化する。
3つの実世界のニュースデータセットに対する実証的な評価は、フレームワークの有望なパフォーマンスを示している。
論文 参考訳（メタデータ） (2022-05-12T12:47:06Z) - Exploiting Session Information in BERT-based Session-aware Sequential
Recommendation [13.15762859612114]
推薦システムでは,ユーザインタラクション履歴をシーケンシャルな情報として活用することで,大幅な性能向上を実現している。
多くのオンラインサービスでは、ユーザインタラクションは、通常、通常のシーケンス表現技術とは異なるアプローチを必要とする、おそらく好みを共有するセッションによってグループ化される。
本稿では,BERTに基づく逐次レコメンデーションモデルにおいて,追加パラメータを最小化しながらセッション情報を活用することで,レコメンデーション性能を向上させる3つの手法を提案する。
論文 参考訳（メタデータ） (2022-04-22T17:58:10Z) - G$^3$SR: Global Graph Guided Session-based Recommendation [116.38098186755029]
セッションベースのレコメンデーションは、匿名セッションデータを使用して高品質なレコメンデーションを提供しようとします。
G$3$SR (Global Graph Guided Session-based Recommendation)はセッションベースのレコメンデーションワークフローを2つのステップに分割する。
2つの実世界のベンチマークデータセットの実験は、最先端の手法よりもG$3$SR法の顕著で一貫した改善を示している。
論文 参考訳（メタデータ） (2022-03-12T15:44:03Z) - Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback
based Recommendation [59.183016033308014]
本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。
提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
論文 参考訳（メタデータ） (2021-05-16T08:06:22Z) - Session-aware Linear Item-Item Models for Session-based Recommendation [16.081904457871815]
セッションベースのレコメンデーションは、セッションで消費された以前の項目のシーケンスから次の項目を予測することを目的とする。
セッションの全体的側面を考慮した簡便かつ効果的な線形モデルを提案する。
論文 参考訳（メタデータ） (2021-03-30T06:28:40Z) - Session-aware Recommendation: A Surprising Quest for the
State-of-the-art [6.617487928813376]
セッション対応レコメンデーションは、ユーザの長期的な好みに応じてパーソナライズすることができる。
我々は最近のセッション認識アルゴリズムを互いに比較し、セッションベースの推薦アルゴリズムと比較した。
我々の研究は、より洗練されたセッション対応レコメンデーションアルゴリズムには、まだ大きな可能性を秘めていることを示している。
論文 参考訳（メタデータ） (2020-11-06T15:18:01Z) - Seamlessly Unifying Attributes and Items: Conversational Recommendation
for Cold-Start Users [111.28351584726092]
コールドスタートユーザに対しては,属性を問うと同時に,ユーザに対して対話的に商品を推薦する,対話型レコメンデーションを提案する。
会話型トンプソンサンプリング(ConTS)モデルでは,最大報酬の腕を選択することで,対話型レコメンデーションにおけるすべての質問を一意に解決する。
論文 参考訳（メタデータ） (2020-05-23T08:56:37Z) - Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。
我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。
私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
論文 参考訳（メタデータ） (2020-05-19T10:18:43Z)
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。