論文の概要: FELRec: Efficient Handling of Item Cold-Start With Dynamic Representation Learning in Recommender Systems

• arxiv url: http://arxiv.org/abs/2210.16928v2
• Date: Tue, 01 Oct 2024 14:39:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-02 16:31:41.370818
• Title: FELRec: Efficient Handling of Item Cold-Start With Dynamic Representation Learning in Recommender Systems
• Title（参考訳）: FELRec:レコメンダシステムにおける動的表現学習によるアイテムコールドスタートの効率的なハンドリング
• Authors: Kuba Weimann, Tim O. F. Conrad,
• Abstract要約: 本稿では、ユーザとアイテムの既存の表現を洗練する大規模な埋め込みネットワークであるFELRecを紹介する。 類似のアプローチとは対照的に、我々のモデルはサイド情報や時間を要する微調整を伴わない新しいユーザやアイテムを表現している。 提案したモデルは、ゼロショット設定でこれまで見られなかったデータセットをうまく一般化する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Recommender systems suffer from the cold-start problem whenever a new user joins the platform or a new item is added to the catalog. To address item cold-start, we propose to replace the embedding layer in sequential recommenders with a dynamic storage that has no learnable weights and can keep an arbitrary number of representations. In this paper, we present FELRec, a large embedding network that refines the existing representations of users and items in a recursive manner, as new information becomes available. In contrast to similar approaches, our model represents new users and items without side information and time-consuming finetuning, instead it runs a single forward pass over a sequence of existing representations. During item cold-start, our method outperforms similar method by 29.50%-47.45%. Further, our proposed model generalizes well to previously unseen datasets in zero-shot settings. The source code is publicly available at https://github.com/kweimann/FELRec .
• Abstract（参考訳）: 新しいユーザがプラットフォームに加わったり、新しいアイテムがカタログに追加されたりすると、リコメンダシステムはコールドスタートの問題に悩まされる。 アイテムコールドスタートに対処するために、逐次リコメンデータの埋め込み層を、学習可能な重みを持たず、任意の数の表現を保持する動的ストレージに置き換えることを提案する。 本稿では,ユーザとアイテムの既存の表現を再帰的に洗練する大規模な埋め込みネットワークであるFELRecについて述べる。 類似のアプローチとは対照的に、我々のモデルはサイド情報や時間を要する微調整を伴わずに新しいユーザやアイテムを表現し、代わりに既存の表現のシーケンス上で単一のフォワードパスを実行する。 項目冷間開始時, 同様の手法が29.50%～47.45%向上した。 さらに,提案モデルでは,ゼロショット設定でこれまで見つからなかったデータセットをよく一般化する。 ソースコードはhttps://github.com/kweimann/FELRecで公開されている。

関連論文リスト

• Ada-Retrieval: An Adaptive Multi-Round Retrieval Paradigm for Sequential Recommendations [50.03560306423678]
  本稿では,レコメンダシステムのための適応型マルチラウンド検索パラダイムであるAda-Retrievalを提案する。 Ada-Retrievalは、ユーザー表現を反復的に洗練し、全項目領域の潜在的な候補をよりよく捉えます。
  論文  参考訳（メタデータ） (2024-01-12T15:26:40Z)
• GEMRec: Towards Generative Model Recommendation [0.9298281903685715]
  パーソナライズされたプロンプトを持つ生成モデルによってアイテムが作成される新しい形式のレコメンデーションタスクはまだ検討されていない。 本稿では,Prompt-Model RetrievalとGenerated Item Rankingという2段階のフレームワークを提案する。 本研究は,新たなパーソナライズ問題として生成モデルレコメンデーションが期待できる可能性と,既存の評価指標の限界を示すものである。
  論文  参考訳（メタデータ） (2023-08-04T08:45:02Z)
• Could Small Language Models Serve as Recommenders? Towards Data-centric Cold-start Recommendations [38.91330250981614]
  本稿では,言語モデルの文脈内学習に基づくシンプルだが効果的なアプローチであるPromptRecを提案する。 本稿では,データ中心パイプラインを用いたレコメンデータシステムのための小型言語モデルを提案する。 私たちの知る限りでは、システムコールドスタートレコメンデーション問題に取り組む最初の研究である。
  論文  参考訳（メタデータ） (2023-06-29T18:50:12Z)
• Recommender Systems with Generative Retrieval [58.454606442670034]
  本稿では,対象候補の識別子を自己回帰的に復号する新たな生成検索手法を提案する。 そのために、各項目のセマンティックIDとして機能するために、意味論的に意味のあるコードワードを作成します。 提案手法を用いて学習した推薦システムは,様々なデータセット上での現在のSOTAモデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-08T21:48:17Z)
• 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 to Learn a Cold-start Sequential Recommender [70.5692886883067]
  コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。 MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
  論文  参考訳（メタデータ） (2021-10-18T08:11:24Z)
• Privileged Graph Distillation for Cold Start Recommendation [57.918041397089254]
  レコメンデーションシステムにおけるコールドスタートの問題は、歴史的相互作用の記録のない属性に基づいて新しいユーザー(イテム)に推奨することである。 特権グラフ蒸留モデル(PGD)を提案する。 提案手法は,新規ユーザ,新規ユーザ,新規ユーザを対象とする異なるコールドスタートシナリオに適用可能である。
  論文  参考訳（メタデータ） (2021-05-31T14:05:27Z)
• Sparse-Interest Network for Sequential Recommendation [78.83064567614656]
  本稿では,シーケンシャルレコメンデーションのためのtextbfSparse textbfInterest textbfNEtwork(SINE)を提案する。 我々のスパース関心モジュールは、大きなコンセプトプールから各ユーザに対してスパースの概念セットを適応的に推測することができる。 SINEは最先端の手法よりも大幅に改善できる。
  論文  参考訳（メタデータ） (2021-02-18T11:03:48Z)
• Cold-start Sequential Recommendation via Meta Learner [10.491428090228768]
  本研究では,逐次推薦における項目コールドスタート問題を軽減するために,メタラーニングに基づくコールドスタートシーケンシャルレコメンデーションフレームワーク,mecosを提案する。 mecosは限られたインタラクションからユーザの好みを効果的に抽出し、ターゲットのコールドスタートアイテムと潜在的なユーザとのマッチングを学ぶ。
  論文  参考訳（メタデータ） (2020-12-10T05:23:13Z)

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。