論文の概要: Hierarchical Multi-Interest Co-Network For Coarse-Grained Ranking

• arxiv url: http://arxiv.org/abs/2210.10547v1
• Date: Wed, 19 Oct 2022 13:40:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-20 15:40:02.239381
• Title: Hierarchical Multi-Interest Co-Network For Coarse-Grained Ranking
• Title（参考訳）: 階層型多目的協調ネットワークによる粗粒ランク付け
• Authors: Xu Yuan, Chen Xu, Qiwei Chen, Tao Zhuang, Hongjie Chen, Chao Li, Junfeng Ge
• Abstract要約: 大規模なオンラインレコメンデーションサービスは、通常、候補生成、粗い粒度ランキング、きめ細かい粒度ランキングの3つのステージで構成されている。 これまでの研究では、ユーザーの興味は多様であり、1つのベクトルはユーザーの好みを捉えるのに十分ではないことが示されている。 本稿では,階層型多目的ネットワーク(HCN)を提案する。
• 参考スコア（独自算出の注目度）: 27.00455925014862
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this era of information explosion, a personalized recommendation system is convenient for users to get information they are interested in. To deal with billions of users and items, large-scale online recommendation services usually consist of three stages: candidate generation, coarse-grained ranking, and fine-grained ranking. The success of each stage depends on whether the model accurately captures the interests of users, which are usually hidden in users' behavior data. Previous research shows that users' interests are diverse, and one vector is not sufficient to capture users' different preferences. Therefore, many methods use multiple vectors to encode users' interests. However, there are two unsolved problems: (1) The similarity of different vectors in existing methods is too high, with too much redundant information. Consequently, the interests of users are not fully represented. (2) Existing methods model the long-term and short-term behaviors together, ignoring the differences between them. This paper proposes a Hierarchical Multi-Interest Co-Network (HCN) to capture users' diverse interests in the coarse-grained ranking stage. Specifically, we design a hierarchical multi-interest extraction layer to update users' diverse interest centers iteratively. The multiple embedded vectors obtained in this way contain more information and represent the interests of users better in various aspects. Furthermore, we develop a Co-Interest Network to integrate users' long-term and short-term interests. Experiments on several real-world datasets and one large-scale industrial dataset show that HCN effectively outperforms the state-of-the-art methods. We deploy HCN into a large-scale real world E-commerce system and achieve extra 2.5\% improvements on GMV (Gross Merchandise Value).
• Abstract（参考訳）: 情報爆発の時代には、ユーザが興味を持つ情報を得るのにパーソナライズされたレコメンデーションシステムが便利である。 数十億のユーザとアイテムを扱うために、大規模なオンラインレコメンデーションサービスは、通常、候補生成、粗粒度ランキング、細粒度ランキングの3段階で構成される。 それぞれのステージの成功は、モデルがユーザーの行動データに通常隠れているユーザの興味を正確に捉えているかどうかに依存する。 これまでの研究では、ユーザーの興味は多様であり、1つのベクトルはユーザーの好みを捉えるのに十分ではないことが示されている。 したがって、多くの方法はユーザーの興味をエンコードするために複数のベクターを使用する。 しかし、2つの未解決問題が存在する: 1) 既存手法における異なるベクトルの類似性は、冗長な情報が多すぎるため高すぎる。 そのため、ユーザーの興味が完全に表現されない。 2) 既存手法は, 両者の違いを無視して, 長期的, 短期的行動のモデル化を行う。 本稿では,階層型多目的協調ネットワーク (hcn) を提案する。 具体的には,ユーザの多様な関心センターを反復的に更新する階層的多目的抽出層を設計する。 この方法で得られた複数の埋め込みベクトルは、より多くの情報を含み、様々な面でユーザの興味を表現している。 さらに,ユーザの長期的・短期的利益を統合するための協調的ネットワークを構築する。 いくつかの実世界のデータセットと1つの大規模産業データセットの実験は、hcnが最先端の手法を効果的に上回っていることを示している。 我々はhcnを大規模実世界のeコマースシステムに展開し,gmv (gross goods value) にさらに2.5\%改善した。

関連論文リスト

• Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
  クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。 近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。 マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
  論文  参考訳（メタデータ） (2024-11-22T15:29:05Z)
• LLM-assisted Explicit and Implicit Multi-interest Learning Framework for Sequential Recommendation [50.98046887582194]
  本研究では,ユーザの興味を2つのレベル – 行動と意味論 – でモデル化する,明示的で暗黙的な多目的学習フレームワークを提案する。 提案するEIMFフレームワークは,小型モデルとLLMを効果的に組み合わせ,多目的モデリングの精度を向上させる。
  論文  参考訳（メタデータ） (2024-11-14T13:00:23Z)
• 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)
• 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)
• Multiple Interest and Fine Granularity Network for User Modeling [3.508126539399186]
  ユーザモデリングは、カスタマエクスペリエンスとビジネス収益の両方の観点から、マッチングステージとランキングステージの両方において、産業レコメンデータシステムにおいて、基本的な役割を果たす。 既存のディープラーニングベースのアプローチのほとんどは、アイテムIDとカテゴリIDを活用するが、色やメイトリアルのようなきめ細かい特徴は無視し、ユーザの興味の細かい粒度をモデル化するのを妨げる。 本稿では,ユーザの多目的・細粒度に対処する多目的・細粒度ネットワーク(MFN)を提案し,ユーザの多目的間の類似性関係と組み合わせ関係からモデルを構築した。
  論文  参考訳（メタデータ） (2021-12-05T15:12:08Z)
• Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
  本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-08T09:44:00Z)
• 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)
• Efficient Human Pose Estimation by Learning Deeply Aggregated Representations [67.24496300046255]
  深く集約された表現を学習することで、効率的な人間ポーズ推定ネットワーク(DANet)を提案する。 私たちのネットワークは、より小さなモデルの複雑さで、同等またはより良い精度を達成できます。
  論文  参考訳（メタデータ） (2020-12-13T10:58:07Z)
• Multi-Interactive Attention Network for Fine-grained Feature Learning in CTR Prediction [48.267995749975476]
  クリックスルー率(ctr)予測シナリオでは、ユーザのシーケンシャルな動作を利用してユーザの関心を捉える。 既存の手法は主にユーザの行動に注意を払っているが、CTR予測には必ずしも適していない。 マルチインタラクティブ・アテンション・ネットワーク (MIAN) を提案し, 各種微細な特徴間の潜在関係を総合的に抽出する。
  論文  参考訳（メタデータ） (2020-12-13T05:46:19Z)
• Multi-Center Federated Learning [62.57229809407692]
  本稿では,フェデレート学習のための新しい多中心集約機構を提案する。 非IIDユーザデータから複数のグローバルモデルを学び、同時にユーザとセンタ間の最適なマッチングを導出する。 ベンチマークデータセットによる実験結果から,本手法はいくつかの一般的なフェデレーション学習法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-05-03T09:14:31Z)

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。