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
- MISSRec: Pre-training and Transferring Multi-modal Interest-aware
Sequence Representation for Recommendation [61.45986275328629]
逐次レコメンデーションのためのマルチモーダル事前学習・転送学習フレームワークであるMISSRecを提案する。
ユーザ側ではトランスフォーマーベースのエンコーダデコーダモデルを設計し、コンテキストエンコーダがシーケンスレベルのマルチモーダルユーザ興味を捉えることを学習する。
候補項目側では,ユーザ適応項目表現を生成するために動的融合モジュールを採用する。
論文 参考訳(メタデータ) (2023-08-22T04:06:56Z) - 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) - Multiplex Behavioral Relation Learning for Recommendation via Memory
Augmented Transformer Network [25.563806871858073]
本研究では,メモリ拡張トランスフォーマーネットワーク(MATN)を提案する。
MATNフレームワークでは、まずトランスフォーマーに基づくマルチビヘイビア関係エンコーダを開発し、学習された相互作用表現をクロスタイプ行動関係を反映させる。
MATNをスーパーチャージするメモリアテンションネットワークを提案し、異なる種類の振る舞いのコンテキスト信号をカテゴリ固有の潜在埋め込み空間にキャプチャする。
論文 参考訳(メタデータ) (2021-10-08T09:54:43Z) - Contrastive Self-supervised Sequential Recommendation with Robust
Augmentation [101.25762166231904]
Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。
データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。
逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
論文 参考訳(メタデータ) (2021-08-14T07:15:25Z) - 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。