論文の概要: MELT: Mutual Enhancement of Long-Tailed User and Item for Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2304.08382v1
• Date: Mon, 17 Apr 2023 15:49:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-18 14:31:41.480293
• Title: MELT: Mutual Enhancement of Long-Tailed User and Item for Sequential Recommendation
• Title（参考訳）: MELT:長期使用者の相互促進とシークエンシャルレコメンデーション項目
• Authors: Kibum Kim, Dongmin Hyun, Sukwon Yun, Chanyoung Park
• Abstract要約: SRS(Sequential Recommender Systems)における長期的課題 長大ユーザとアイテムの相互強化(MELT)という,SRSのための新しいフレームワークを提案する。 MELTは、ユーザとアイテムの両方の観点から、長い尾の問題を共同で緩和する。
• 参考スコア（独自算出の注目度）: 8.751117923894435
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The long-tailed problem is a long-standing challenge in Sequential Recommender Systems (SRS) in which the problem exists in terms of both users and items. While many existing studies address the long-tailed problem in SRS, they only focus on either the user or item perspective. However, we discover that the long-tailed user and item problems exist at the same time, and considering only either one of them leads to sub-optimal performance of the other one. In this paper, we propose a novel framework for SRS, called Mutual Enhancement of Long-Tailed user and item (MELT), that jointly alleviates the long-tailed problem in the perspectives of both users and items. MELT consists of bilateral branches each of which is responsible for long-tailed users and items, respectively, and the branches are trained to mutually enhance each other, which is trained effectively by a curriculum learning-based training. MELT is model-agnostic in that it can be seamlessly integrated with existing SRS models. Extensive experiments on eight datasets demonstrate the benefit of alleviating the long-tailed problems in terms of both users and items even without sacrificing the performance of head users and items, which has not been achieved by existing methods. To the best of our knowledge, MELT is the first work that jointly alleviates the long-tailed user and item problems in SRS.
• Abstract（参考訳）: 長い尾の問題は、ユーザとアイテムの両方の観点から問題が存在するSRS(Sequential Recommender Systems)における長年の課題である。 多くの既存の研究はsrsのロングテール問題に対処するが、それらはユーザーまたはアイテムの視点のみに焦点を当てている。 しかし、長い目を持つユーザとアイテムの問題は同時に存在し、どちらか一方のみを考慮すれば、他方のサブ最適性能につながることが判明した。 本稿では,長大なユーザとアイテムの相互拡張(Mutual Enhancement of Long-Tailed user and item,MELT)と呼ばれる,SRSのための新しいフレームワークを提案する。 MELTは、それぞれ長い尾を持つユーザとアイテムに責任を負う両側のブランチで構成され、各ブランチは相互に強化するように訓練され、カリキュラムベースのトレーニングによって効果的に訓練される。 MELTはモデルに依存しないため、既存のSRSモデルとシームレスに統合できる。 8つのデータセットに対する大規模な実験は、既存の手法では達成されていないヘッドユーザーやアイテムのパフォーマンスを犠牲にすることなく、ユーザとアイテムの両方の観点から長い尾の問題を緩和する利点を示している。 私たちの知る限りでは、MELTはSRSの長い尾のユーザーとアイテムの問題を共同で緩和する最初の作品です。

関連論文リスト

• Large Language Model Empowered Embedding Generator for Sequential Recommendation [57.49045064294086]
  大言語モデル(LLM)は、その人気に関係なく、項目間の意味的関係を理解する能力を持つ。 LLMEmbは、LCMを利用してアイテム埋め込みを作成し、シークエンシャル・レコメンダ・システムの性能を高める革新的な技術である。
  論文  参考訳（メタデータ） (2024-09-30T03:59:06Z)
• LLM-ESR: Large Language Models Enhancement for Long-tailed Sequential Recommendation [58.04939553630209]
  現実世界のシステムでは、ほとんどのユーザーはほんの一握りのアイテムしか扱わないが、ほとんどのアイテムは滅多に消費されない。 これら2つの課題は、ロングテールユーザーとロングテールアイテムの課題として知られ、しばしば既存のシークエンシャルレコメンデーションシステムに困難をもたらす。 本稿では,これらの課題に対処するため,Large Language Models Enhancement framework for Sequential Recommendation (LLM-ESR)を提案する。
  論文  参考訳（メタデータ） (2024-05-31T07:24:42Z)
• Alleviating the Long-Tail Problem in Conversational Recommender Systems [72.8984755843184]
  会話レコメンデータシステム(CRS)は、自然言語による会話を通じてレコメンデーションサービスを提供することを目的としている。 既存のCRSデータセットは、長い尾の問題に悩まされているため、会話で言及される項目はめったにない(あるいは一度もない)。 本稿では、バランスの取れたCRSデータセットのシミュレーションと利用に焦点を当てた新しいフレームワークである textbfLOT-CRS を提案する。
  論文  参考訳（メタデータ） (2023-07-21T15:28:47Z)
• Multimodal Recommender Systems: A Survey [50.23505070348051]
  マルチモーダル・レコメンダ・システム(MRS)は近年,学界と産業の両方から注目を集めている。 本稿では,主に技術的観点から,MSSモデルに関する総合的な調査を行う。 実装コードなど、調査された論文の詳細にアクセスするために、リポジトリをオープンソース化します。
  論文  参考訳（メタデータ） (2023-02-08T05:12:54Z)
• Sequential Search with Off-Policy Reinforcement Learning [48.88165680363482]
  本稿では,RNN学習フレームワークとアテンションモデルからなる,スケーラブルなハイブリッド学習モデルを提案する。 新たな最適化のステップとして、1つのRNNパスに複数の短いユーザシーケンスをトレーニングバッチ内に収める。 また、マルチセッションパーソナライズされた検索ランキングにおける非政治強化学習の利用についても検討する。
  論文  参考訳（メタデータ） (2022-02-01T06:52:40Z)
• Learning Complex Users' Preferences for Recommender Systems [0.5076419064097734]
  この論文は一般的なRSの性能向上に焦点を当てている。 既存の一般的なRSのほとんどは、類似したユーザーを検出するために、一般的なアイテムのユーザーの評価パターンを利用する傾向にある。 本研究では,その性格特性の類似性に基づいて,類似したユーザを識別するパーソナリティベースのRSを提案する。
  論文  参考訳（メタデータ） (2021-07-04T03:25:15Z)
• Dynamic Embeddings for Interaction Prediction [2.5758502140236024]
  推薦システム(RS)では、ユーザが対話する次の項目を予測することが、ユーザの保持に不可欠である。 近年,ユーザとアイテム間の相互相互作用を個別のユーザとアイテムの埋め込みを用いてモデル化する手法の有効性が示されている。 本稿では,DeePRedと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-11-10T16:04:46Z)
• Sequential Recommender Systems: Challenges, Progress and Prospects [50.12218578518894]
  シーケンシャルレコメンダシステム(SRS)は、シーケンシャルなユーザ行動、ユーザとアイテム間の相互作用、ユーザの好みとアイテムの人気の時間的変化を理解し、モデル化しようとする。 まず, SRSの特徴を概説し, 研究領域における課題をまとめ, 分類し, そして, 最新の研究成果と代表的研究成果から, 対応する研究の進展を概説する。
  論文  参考訳（メタデータ） (2019-12-28T05:12:28Z)

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。