論文の概要: Sequence-aware item recommendations for multiply repeated user-item interactions

• arxiv url: http://arxiv.org/abs/2304.00578v1
• Date: Sun, 2 Apr 2023 17:06:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-04 17:22:15.156770
• Title: Sequence-aware item recommendations for multiply repeated user-item interactions
• Title（参考訳）: 繰り返しユーザ-イテムインタラクションのためのシーケンス対応アイテムレコメンデーション
• Authors: Juan Pablo Equihua, Maged Ali, Henrik Nordmark, Berthold Lausen
• Abstract要約: 項目推薦のタスクにおいて時間次元を誘導するレコメンデータシステムを設計する。 推薦を行うために、各ユーザに対するアイテムインタラクションのシーケンスを検討する。 本手法は,小売環境におけるユーザとユーザ間のインタラクションを高精度に予測する試みである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommender systems are one of the most successful applications of machine learning and data science. They are successful in a wide variety of application domains, including e-commerce, media streaming content, email marketing, and virtually every industry where personalisation facilitates better user experience or boosts sales and customer engagement. The main goal of these systems is to analyse past user behaviour to predict which items are of most interest to users. They are typically built with the use of matrix-completion techniques such as collaborative filtering or matrix factorisation. However, although these approaches have achieved tremendous success in numerous real-world applications, their effectiveness is still limited when users might interact multiple times with the same items, or when user preferences change over time. We were inspired by the approach that Natural Language Processing techniques take to compress, process, and analyse sequences of text. We designed a recommender system that induces the temporal dimension in the task of item recommendation and considers sequences of item interactions for each user in order to make recommendations. This method is empirically shown to give highly accurate predictions of user-items interactions for all users in a retail environment, without explicit feedback, besides increasing total sales by 5% and individual customer expenditure by over 50% in an A/B live test.
• Abstract（参考訳）: リコメンダシステムは、機械学習とデータサイエンスの最も成功した応用の1つである。 それらは、eコマース、メディアストリーミングコンテンツ、メールマーケティング、そしてパーソナライズによってユーザーエクスペリエンスが向上し、販売と顧客エンゲージメントが向上する事実上すべての業界を含む、幅広いアプリケーションドメインで成功している。 これらのシステムの主な目標は、過去のユーザーの行動を分析し、どのアイテムがユーザにとって最も興味を持つかを予測することである。 これらは一般に、協調フィルタリングや行列分解のような行列補完技術を用いて構築される。 しかし、これらのアプローチは多くの現実世界のアプリケーションで大きな成功を収めているが、ユーザが同じアイテムと複数回対話したり、時間とともにユーザーの好みが変わったりした場合、その効果は限られている。 我々は自然言語処理技術がテキストのシーケンスを圧縮し、処理し、分析するアプローチに着想を得た。 我々は,項目推薦タスクの時間次元を誘導するレコメンデーションシステムを設計し,レコメンデーションを行うために各ユーザに対して項目間相互作用のシーケンスを検討する。 本手法は,a/bライブテストにおいて,販売総数を5%増やし,個人顧客支出を50%超増加させるとともに,小売環境の全ユーザに対して,明確なフィードバックを伴わずに,極めて正確なユーザ間インタラクションを予測できることを実証的に示している。

関連論文リスト

• An Efficient Multi-threaded Collaborative Filtering Approach in Recommendation System [0.0]
  本研究は,多数のユーザを効率的に扱えるスケーラブルなレコメンデーションシステムの構築に焦点を当てる。 これを実現するために、マルチスレッドの類似性アプローチが採用されている。 この並列化は従来の手法に比べて計算時間を著しく短縮し、高速で効率的でスケーラブルなレコメンデーションシステムをもたらす。
  論文  参考訳（メタデータ） (2024-09-28T06:33:18Z)
• COLA: Improving Conversational Recommender Systems by Collaborative Augmentation [9.99763097964222]
  アイテム表現学習とユーザ嗜好モデリングの両方を改善するために,協調的拡張(COLA)手法を提案する。 すべての会話から対話型ユーザテムグラフを構築し,ユーザ認識情報によってアイテム表現を拡大する。 ユーザの嗜好モデルを改善するため,学習コーパスから類似した会話を検索し,ユーザの興味を反映した関連項目や属性を用いてユーザ表現を増強する。
  論文  参考訳（メタデータ） (2022-12-15T12:37:28Z)
• PARSRec: Explainable Personalized Attention-fused Recurrent Sequential Recommendation Using Session Partial Actions [0.5801044612920815]
  共通のパターンと個人の行動に依存したアーキテクチャを提案する。 Nielsen Consumer Panel データセットの実証結果は,提案手法が最大27.9%のパフォーマンス向上を達成したことを示唆している。
  論文  参考訳（メタデータ） (2022-09-16T12:07:43Z)
• A Scalable Recommendation Engine for New Users and Items [0.0]
  属性(A)レコメンデーションシステム(CFB-A)による協調フィルタリング(CF)マルチアームバンド(B) 本稿では,A(A)レコメンデーションシステム(CFB-A)を用いた協調フィルタリング(CF)マルチアームバンド(B)を提案する。 MovieLensデータに対するオフラインテスト、合成データシミュレーション、オンライン食料品実験などの実証的な応用は、CFB-Aが累積平均報酬を大幅に改善することを示している。
  論文  参考訳（メタデータ） (2022-09-06T14:59:00Z)
• Everyone's Preference Changes Differently: Weighted Multi-Interest Retrieval Model [18.109035867113217]
  MIPモデル(Multi-Interest Preference)は、ユーザのシーケンシャルエンゲージメントをより効果的に利用することで、ユーザにとってマルチエンゲージメントを生み出すアプローチである。 本手法の有効性を実証するため,様々な産業規模のデータセットを用いて大規模な実験を行った。
  論文  参考訳（メタデータ） (2022-07-14T04:29:54Z)
• Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
  本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-08T09:44:00Z)
• 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)
• Optimizing Interactive Systems via Data-Driven Objectives [70.3578528542663]
  本稿では,観察されたユーザインタラクションから直接目的を推測する手法を提案する。 これらの推論は、事前の知識によらず、様々な種類のユーザー行動にまたがって行われる。 本稿では,これらの推定対象を最適化するために利用する新しいアルゴリズムであるInteractive System(ISO)を紹介する。
  論文  参考訳（メタデータ） (2020-06-19T20:49:14Z)
• Seamlessly Unifying Attributes and Items: Conversational Recommendation for Cold-Start Users [111.28351584726092]
  コールドスタートユーザに対しては,属性を問うと同時に,ユーザに対して対話的に商品を推薦する,対話型レコメンデーションを提案する。 会話型トンプソンサンプリング(ConTS)モデルでは,最大報酬の腕を選択することで,対話型レコメンデーションにおけるすべての質問を一意に解決する。
  論文  参考訳（メタデータ） (2020-05-23T08:56:37Z)
• 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)
• Empowering Active Learning to Jointly Optimize System and User Demands [70.66168547821019]
  我々は,アクティブラーニングシステムとユーザを協調的に(効率的に学習)するための,新しいアクティブラーニング手法を提案する。 本手法は,特定のユーザに対して,エクササイズの適切性を予測するために,学習を迅速かつ迅速に行う必要があるため,特に,この手法のメリットを生かした教育アプリケーションで研究する。 複数の学習戦略とユーザタイプを実際のユーザからのデータで評価し,代替手法がエンドユーザに適さない多くのエクササイズをもたらす場合,共同アプローチが両方の目標を満足できることを確認した。
  論文  参考訳（メタデータ） (2020-05-09T16:02:52Z)

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。