論文の概要: Sequential Recommendation with Auxiliary Item Relationships via Multi-Relational Transformer

• arxiv url: http://arxiv.org/abs/2210.13572v1
• Date: Mon, 24 Oct 2022 19:49:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-26 14:03:38.760496
• Title: Sequential Recommendation with Auxiliary Item Relationships via Multi-Relational Transformer
• Title（参考訳）: マルチリレーショナルトランスフォーマによる補助項目関係の逐次推薦
• Authors: Ziwei Fan, Zhiwei Liu, Chen Wang, Peijie Huang, Hao Peng, Philip S. Yu
• Abstract要約: 逐次レコメンデーション(SR)のための補助項目関係をモデル化可能なマルチリレーショナルトランスを提案する。 具体的には,任意の項目関係と項目関係の重み付けを組み込んだ新たな自己注意モジュールを提案する。 第3に、シーケンス間アイテム関係ペアに対して、新しいシーケンス間アイテムモデリングモジュールを導入する。
• 参考スコア（独自算出の注目度）: 74.64431400185106
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequential Recommendation (SR) models user dynamics and predicts the next preferred items based on the user history. Existing SR methods model the 'was interacted before' item-item transitions observed in sequences, which can be viewed as an item relationship. However, there are multiple auxiliary item relationships, e.g., items from similar brands and with similar contents in real-world scenarios. Auxiliary item relationships describe item-item affinities in multiple different semantics and alleviate the long-lasting cold start problem in the recommendation. However, it remains a significant challenge to model auxiliary item relationships in SR. To simultaneously model high-order item-item transitions in sequences and auxiliary item relationships, we propose a Multi-relational Transformer capable of modeling auxiliary item relationships for SR (MT4SR). Specifically, we propose a novel self-attention module, which incorporates arbitrary item relationships and weights item relationships accordingly. Second, we regularize intra-sequence item relationships with a novel regularization module to supervise attentions computations. Third, for inter-sequence item relationship pairs, we introduce a novel inter-sequence related items modeling module. Finally, we conduct experiments on four benchmark datasets and demonstrate the effectiveness of MT4SR over state-of-the-art methods and the improvements on the cold start problem. The code is available at https://github.com/zfan20/MT4SR.
• Abstract（参考訳）: Sequential Recommendation (SR) はユーザダイナミクスをモデル化し、ユーザ履歴に基づいて次の推奨項目を予測する。 既存のSRメソッドは、シーケンスで観察される「以前に相互作用した」アイテム-イテム遷移をモデル化する。 しかし、類似ブランドのアイテムや、現実世界のシナリオで類似したコンテンツなど、複数の補助アイテムの関係がある。 補助項目の関係は、複数の異なるセマンティクスにおける項目と項目間の親和性を記述し、推奨の中で長く続くコールドスタート問題を緩和する。 しかし,srにおける補助項目関係のモデル化は依然として大きな課題である。 高次項目遷移と補助項目関係を同時にモデル化するために,sr(mt4sr)の補助項目関係をモデル化できるマルチリレーショナルトランスフォーマを提案する。 具体的には,任意の項目関係と項目関係の重み付けを組み込んだ新たな自己注意モジュールを提案する。 第二に,新しい正規化モジュールを用いて列内アイテム関係を規則化し,注意力計算を監督する。 第3に,系列間関係ペアに対して,新たな系列間関連項目モデリングモジュールを導入する。 最後に、4つのベンチマークデータセットの実験を行い、最先端手法に対するMT4SRの有効性とコールドスタート問題の改善を実証する。 コードはhttps://github.com/zfan20/mt4srで入手できる。

関連論文リスト

• Knowledge-Enhanced Conversational Recommendation via Transformer-based Sequential Modelling [58.681146735761224]
  まず,トランスフォーマーをベースとした逐次的対話推薦手法TSCRを提案し,会話の逐次的依存関係をモデル化する。 次に,TSCRの知識グラフ拡張版であるTSCRKGを提案する。 実験の結果,TSCRモデルは最先端のベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2024-12-03T12:20:56Z)
• MMGRec: Multimodal Generative Recommendation with Transformer Model [81.61896141495144]
  MMGRecは、マルチモーダルレコメンデーションに生成パラダイムを導入することを目指している。 まず,階層的な量子化手法であるGraph CF-RQVAEを考案し,各項目にRec-IDを割り当てる。 次に、Transformerベースのレコメンデータをトレーニングし、過去のインタラクションシーケンスに基づいて、ユーザが推奨するアイテムのRec-IDを生成する。
  論文  参考訳（メタデータ） (2024-04-25T12:11:27Z)
• Invariant representation learning for sequential recommendation [0.0]
  シークエンシャルレコメンデーションでは、履歴項目のシーケンスに基づいて、次の項目をユーザに自動的に推奨する。 Irl4Recという新しいシーケンシャルレコメンデーションフレームワークを紹介します。 このフレームワークは、不変学習を活用し、モデルトレーニング中に、スプリアス変数と調整変数の関係を要因とする新しい目的を用いる。
  論文  参考訳（メタデータ） (2023-08-22T18:39:39Z)
• Multi-Behavior Sequential Recommendation with Temporal Graph Transformer [66.10169268762014]
  マルチビヘイビア・インタラクティブなパターンを意識した動的ユーザ・イテム関係学習に取り組む。 本稿では,動的短期および長期のユーザ・イテム対話パターンを共同でキャプチャする,TGT(Temporal Graph Transformer)レコメンデーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-06T15:42:54Z)
• Sequential Recommendation via Stochastic Self-Attention [68.52192964559829]
  Transformerベースのアプローチでは、アイテムをベクトルとして埋め込んで、ドット積の自己アテンションを使用してアイテム間の関係を測定する。 本稿では,これらの問題を克服するための新しいtextbfStochastic textbfSelf-textbfAttention (STOSA) を提案する。 我々は、アイテムと項目の位置関係を列で特徴づける新しいワッサースタイン自己保持モジュールを考案した。
  論文  参考訳（メタデータ） (2022-01-16T12:38:45Z)
• GIMIRec: Global Interaction Information Aware Multi-Interest Framework for Sequential Recommendation [5.416421678129053]
  本稿では,GIMIレコメンデーションのための多目的フレームワーク(Global Interaction Aware Multi-Interest Framework for Sequential Recommendation,GIMIRec)という新たなレコメンデーションモデルを提案する。 Recall、NDCG、Hit RateインジケータにおけるGIMIRecの性能は、最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-12-16T09:12:33Z)
• Latent Structures Mining with Contrastive Modality Fusion for Multimedia Recommendation [22.701371886522494]
  マルチモーダルコンテンツに基づく潜在意味的項目-項目構造は,より優れた項目表現を学習する上で有益である,と我々は主張する。 モータリティを意識した構造学習モジュールを考案し,各モータリティの項目間関係を学習する。
  論文  参考訳（メタデータ） (2021-11-01T03:37:02Z)
• Hierarchical Latent Relation Modeling for Collaborative Metric Learning [8.59872983871365]
  CML(Collaborative Metric Learning)は、暗黙のフィードバックによる協調フィルタリングに基づく推奨のための強力なパラダイムとして最近登場した。 暗黙的なデータから潜在ユーザ・イテムとアイテム・イテムの関係を共同でキャプチャする階層型CMLモデルを提案する。 実世界の複数のデータセットにおける推薦タスクにおいて、既存のCMLモデルよりも優れた性能を発揮することにより、この連関関係モデルの有効性を実証的に示す。
  論文  参考訳（メタデータ） (2021-07-26T17:45:11Z)
• Relation of the Relations: A New Paradigm of the Relation Extraction Problem [52.21210549224131]
  我々は,関係抽出(RE)の新たなパラダイムを提案し,同じ文脈におけるすべての関係の予測を総合的に検討する。 我々は、手作りのルールを必要としないデータ駆動型アプローチを開発し、グラフニューラルネットワークと関係行列変換器を用いた関係関係(RoR)をそれ自体で学習する。 実験の結果、私たちのモデルはACE05データセットでは+1.12%、SemEval 2018 Task 7.2では2.55%で最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2020-06-05T22:25:27Z)

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。