論文の概要: Episodes Discovery Recommendation with Multi-Source Augmentations
- arxiv url: http://arxiv.org/abs/2301.01737v1
- Date: Wed, 4 Jan 2023 18:10:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-05 15:23:10.517620
- Title: Episodes Discovery Recommendation with Multi-Source Augmentations
- Title（参考訳）: マルチソース拡張によるエピソード発見推薦
- Authors: Ziwei Fan, Alice Wang, and Zahra Nazari
- Abstract要約: 古典的な2-Towerモデルを構築し、エピソード埋め込み学習を強化するために、MSACL(Multi-Source Augmentations)を導入する。
大規模オーディオストリーミングプラットフォームによるリアルタイムポッドキャストレコメンデーションデータセットの実験は,提案フレームワークの有効性を実証する。
- 参考スコア（独自算出の注目度）: 3.0054316799543837
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recommender systems (RS) commonly retrieve potential candidate items for
users from a massive number of items by modeling user interests based on
historical interactions. However, historical interaction data is highly sparse,
and most items are long-tail items, which limits the representation learning
for item discovery. This problem is further augmented by the discovery of novel
or cold-start items. For example, after a user displays interest in bitcoin
financial investment shows in the podcast space, a recommender system may want
to suggest, e.g., a newly released blockchain episode from a more technical
show. Episode correlations help the discovery, especially when interaction data
of episodes is limited. Accordingly, we build upon the classical Two-Tower
model and introduce the novel Multi-Source Augmentations using a Contrastive
Learning framework (MSACL) to enhance episode embedding learning by
incorporating positive episodes from numerous correlated semantics. Extensive
experiments on a real-world podcast recommendation dataset from a large audio
streaming platform demonstrate the effectiveness of the proposed framework for
user podcast exploration and cold-start episode recommendation.
- Abstract（参考訳）: Recommender System (RS) は、歴史的相互作用に基づいてユーザの興味をモデル化することによって、大量のアイテムから潜在的候補アイテムを検索する。
しかし、歴史的相互作用データは非常に乏しく、ほとんどの項目は長尾項目であり、項目発見のための表現学習を制限する。
この問題は、新規またはコールドスタートアイテムの発見によってさらに強化される。
例えば、ユーザーがポッドキャストスペースでbitcoinの金融投資ショーに興味を示した後、レコメンデーションシステムは、例えば、より技術的なショーから新しくリリースされたブロックチェーンのエピソードを提案するかもしれない。
特にエピソードの相互作用データが限られている場合、エピソード相関は発見に役立つ。
そこで,本研究では,古典的2towerモデルを構築し,コントラスト学習フレームワーク(MSACL)を用いた新たなマルチソース拡張を導入し,多数の関連セマンティクスから肯定的なエピソードを取り入れ,エピソード埋め込み学習を強化する。
大規模オーディオストリーミングプラットフォームによるリアルタイムポッドキャストレコメンデーションデータセットの大規模な実験により,提案フレームワークがユーザポッドキャスト探索およびコールドスタートエピソードレコメンデーションに有効であることを実証した。
関連論文リスト
- 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) - Talk the Walk: Synthetic Data Generation for Conversational Music
Recommendation [62.019437228000776]
本稿では,広く利用可能なアイテムコレクションにおいて,符号化された専門知識を活用することで,現実的な高品質な会話データを生成するTalkWalkを提案する。
人間の収集したデータセットで100万以上の多様な会話を生成します。
論文 参考訳（メタデータ） (2023-01-27T01:54:16Z) - Hierarchical Conversational Preference Elicitation with Bandit Feedback [36.507341041113825]
提案システムでは,各ラウンドで推薦するキータームかアイテムのいずれかを選択することができる。
実世界のデータセットを調査・分析し、先行研究と異なり、キーターム報酬は主に代表品の報酬に影響されていることを確認する。
我々は、この観測結果とキータームとアイテム間の階層構造を利用する2つの帯域幅アルゴリズム、Hier-UCBとHier-LinUCBを提案する。
論文 参考訳（メタデータ） (2022-09-06T05:35:24Z) - 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) - Price DOES Matter! Modeling Price and Interest Preferences in
Session-based Recommendation [55.0391061198924]
セッションベースのレコメンデーションは、匿名ユーザが自分の短い行動シーケンスに基づいて購入したいアイテムを予測することを目的としている。
セッションベースのレコメンデーションの価格設定を組み込むのは簡単ではない。
セッションベースレコメンデーションのためのCoHHN(Co-guided Heterogeneous Hypergraph Network)を提案する。
論文 参考訳（メタデータ） (2022-05-09T10:47:15Z) - Topic Modeling on Podcast Short-Text Metadata [0.9539495585692009]
短いテキストのモデリング技術を用いて,ポッドキャストのメタデータやタイトル,記述から関連トピックを発見できる可能性を評価する。
非負行列因子化モデリングフレームワークにおいて、しばしばポッドキャストメタデータに現れる名前付きエンティティ(NE)に対する新しい戦略を提案する。
SpotifyとiTunesとDeezerの既存の2つのデータセットに対する実験により、提案したドキュメント表現であるNEiCEがベースラインの一貫性を改善していることが示された。
論文 参考訳（メタデータ） (2022-01-12T11:07:05Z) - From Implicit to Explicit feedback: A deep neural network for modeling
sequential behaviours and long-short term preferences of online users [3.464871689508835]
暗黙的かつ明示的なフィードバックは、有用な推奨のために異なる役割を持つ。
ユーザの嗜好は,長期的利益と短期的利益の組み合わせである,という仮説から導かれる。
論文 参考訳（メタデータ） (2021-07-26T16:59:20Z) - 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) - PodSumm -- Podcast Audio Summarization [0.0]
テキストドメインからのガイダンスを用いて,ポッドキャストの要約を自動的に作成する手法を提案する。
このタスクにはデータセットが不足しているため、内部データセットをキュレートし、データ拡張の効果的なスキームを見つけ、アノテータから要約を集めるためのプロトコルを設計する。
本手法は, ROUGE-F(1/2/L) スコア0.63/0.53/0.63をデータセット上で達成する。
論文 参考訳（メタデータ） (2020-09-22T04:49:33Z) - Trajectory Based Podcast Recommendation [6.366468661321732]
ポッドキャストライブラリを次々に移動するユーザを見ることで、成功し、一貫したレコメンデーションを実現できることを示す。
提案手法により,協調フィルタリングベースライン上での効率が450%向上する。
論文 参考訳（メタデータ） (2020-09-08T16:49:12Z) - Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。
我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。
私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
論文 参考訳（メタデータ） (2020-05-19T10:18:43Z)
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。