論文の概要: STAR: A Session-Based Time-Aware Recommender System

• arxiv url: http://arxiv.org/abs/2211.06394v1
• Date: Fri, 11 Nov 2022 18:25:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 15:57:45.640189
• Title: STAR: A Session-Based Time-Aware Recommender System
• Title（参考訳）: STAR:セッションベースのタイムアウェアレコメンダシステム
• Authors: Reza Yeganegi, Saman Haratizadeh
• Abstract要約: セッションベースレコメンダ(SBR)は,セッションにおける過去のインタラクションに関するユーザの次の好みを予測することを目的としている。 本稿では,SBRの性能向上におけるセッション時間情報の可能性について検討する。 本稿では、セッション内のイベント間の時間間隔を利用して、アイテムやセッションのより情報的な表現を構築するSTARフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 8.122270502556372
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Session-Based Recommenders (SBRs) aim to predict users' next preferences regard to their previous interactions in sessions while there is no historical information about them. Modern SBRs utilize deep neural networks to map users' current interest(s) during an ongoing session to a latent space so that their next preference can be predicted. Although state-of-art SBR models achieve satisfactory results, most focus on studying the sequence of events inside sessions while ignoring temporal details of those events. In this paper, we examine the potential of session temporal information in enhancing the performance of SBRs, conceivably by reflecting the momentary interests of anonymous users or their mindset shifts during sessions. We propose the STAR framework, which utilizes the time intervals between events within sessions to construct more informative representations for items and sessions. Our mechanism revises session representation by embedding time intervals without employing discretization. Empirical results on Yoochoose and Diginetica datasets show that the suggested method outperforms the state-of-the-art baseline models in Recall and MRR criteria.
• Abstract（参考訳）: セッションベースレコメンダ(SBR)は,セッションにおける過去のインタラクションに関するユーザの次の好みを予測することを目的としている。 現代のSBRはディープニューラルネットワークを使用して、進行中のセッション中にユーザの現在の関心を潜在空間にマッピングすることで、次の好みを予測する。 最先端のSBRモデルでは十分な結果が得られるが、ほとんどの場合、セッション内のイベントのシーケンスの研究に重点を置いている。 本稿では、セッション中の匿名ユーザの一時的な関心や彼らの考え方の変化を反映して、SBRの性能向上におけるセッション時間情報の可能性を検討する。 我々は,セッション内のイベント間の時間間隔を利用して,アイテムやセッションのより情報的な表現を構築するstarフレームワークを提案する。 離散化を使わずに時間間隔を埋め込むことでセッション表現を再構築する。 Yoochoose と Diginetica のデータセットによる実験結果から,提案手法はリコール基準とMRR基準において,最先端のベースラインモデルよりも優れていた。

関連論文リスト

• Interactive Visualization Recommendation with Hier-SUCB [52.11209329270573]
  本稿では,従来のインタラクションからユーザフィードバックを学習する対話型パーソナライズドビジュアライゼーションレコメンデーション(PVisRec)システムを提案する。 よりインタラクティブで正確なレコメンデーションのために、PVisRec設定における文脈的半帯域であるHier-SUCBを提案する。
  論文  参考訳（メタデータ） (2025-02-05T17:14:45Z)
• Item Cluster-aware Prompt Learning for Session-based Recommendation [36.93334485299296]
  セッションベースのレコメンデーションは、個々のセッション内のアイテムシーケンスを分析することによって、ユーザの好みをキャプチャすることを目的としている。 既存のアプローチのほとんどは、セッション内のアイテムの関係に重点を置いており、異なるセッション間でのアイテム間の接続を無視している。 このような課題に対処するために、CLIP-SBR(Cluster-aware Item Prompt Learning for Session-based Recommendation)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-07T05:20:21Z)
• Multi-intent-aware Session-based Recommendation [10.882186298592671]
  セッションベースのレコメンデーション(SBR)は、ユーザが進行中のセッション中に対話する次の項目を予測することを目的としている。 既存のSBRモデルはセッション表現を学ぶための洗練されたニューラルネットワークエンコーダの設計に重点を置いている。 セッションベース推薦モデル(MiaSRec)と呼ばれる新しいSBRモデルを提案する。
  論文  参考訳（メタデータ） (2024-05-02T03:49:46Z)
• Time-aware Hyperbolic Graph Attention Network for Session-based Recommendation [58.748215444851226]
  セッションベースのレコメンデーション(SBR、Session-based Recommendation)は、ユーザの次の関心項目を以前のブラウジングセッションに基づいて予測することである。 時間情報を考慮したセッションベースレコメンデーションモデルを構築するために,TA-HGAT(Time-Aware Hyperbolic Graph Attention Network)を提案する。
  論文  参考訳（メタデータ） (2023-01-10T04:16:09Z)
• 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)
• Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation [62.30552176649873]
  シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。 両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。 モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:44:27Z)
• SR-HetGNN:Session-based Recommendation with Heterogeneous Graph Neural Network [20.82060191403763]
  セッションベースレコメンデーションシステムは、前のセッションシーケンスに基づいて、ユーザの次のクリックを予測することを目的としている。 セッション埋め込みを学習するために異種グラフニューラルネットワーク(HetGNN)を用いたセッション推薦手法SR-HetGNNを提案する。 SR-HetGNNは、DigineticaとTmallの2つの実際の大規模データセットに対する広範な実験を通じて、既存の最先端セッションベースのレコメンデーション手法よりも優れていることが示されている。
  論文  参考訳（メタデータ） (2021-08-12T10:12:48Z)
• 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)
• Sequential Recommender via Time-aware Attentive Memory Network [67.26862011527986]
  本稿では,注意機構と繰り返し単位を改善するための時間ゲーティング手法を提案する。 また,長期と短期の嗜好を統合するマルチホップ・タイムアウェア・アテンテーティブ・メモリ・ネットワークを提案する。 提案手法は,候補探索タスクに対してスケーラブルであり,ドット積に基づくTop-Kレコメンデーションのための潜在因数分解の非線形一般化とみなすことができる。
  論文  参考訳（メタデータ） (2020-05-18T11:29:38Z)
• TAGNN: Target Attentive Graph Neural Networks for Session-based Recommendation [66.04457457299218]
  セッションベースレコメンデーションのための新しいターゲット注意グラフニューラルネットワーク(TAGNN)モデルを提案する。 TAGNNでは、ターゲット・アウェア・アテンションは、様々なターゲット項目に関して異なるユーザ関心を適応的に活性化する。 学習した関心表現ベクトルは、異なる対象項目によって変化し、モデルの表現性を大幅に改善する。
  論文  参考訳（メタデータ） (2020-05-06T14:17:05Z)

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。