論文の概要: Multi-task Item-attribute Graph Pre-training for Strict Cold-start Item
Recommendation
- arxiv url: http://arxiv.org/abs/2306.14462v1
- Date: Mon, 26 Jun 2023 07:04:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-27 14:46:27.134263
- Title: Multi-task Item-attribute Graph Pre-training for Strict Cold-start Item
Recommendation
- Title(参考訳): 厳密なコールドスタート項目推薦のためのマルチタスクアイテム属性グラフ事前学習
- Authors: Yuwei Cao, Liangwei Yang, Chen Wang, Zhiwei Liu, Hao Peng, Chenyu You,
Philip S. Yu
- Abstract要約: ColdGPTは、アイテム内容からきめ細かい属性を抽出することにより、アイテム属性相関をアイテム属性グラフにモデル化する。
ColdGPTは、さまざまな利用可能なデータソース、すなわちアイテムの内容、過去の購入シーケンス、既存のアイテムのレビューテキストから、知識をアイテム属性グラフに転送する。
大規模な実験により、ColdGPTは既存のSCSレコメンデーターを大きなマージンで一貫して上回っていることが明らかとなった。
- 参考スコア(独自算出の注目度): 71.5871100348448
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recommendation systems suffer in the strict cold-start (SCS) scenario, where
the user-item interactions are entirely unavailable. The ID-based approaches
completely fail to work. Cold-start recommenders, on the other hand, leverage
item contents to map the new items to the existing ones. However, the existing
SCS recommenders explore item contents in coarse-grained manners that introduce
noise or information loss. Moreover, informative data sources other than item
contents, such as users' purchase sequences and review texts, are ignored. We
explore the role of the fine-grained item attributes in bridging the gaps
between the existing and the SCS items and pre-train a knowledgeable
item-attribute graph for SCS item recommendation. Our proposed framework,
ColdGPT, models item-attribute correlations into an item-attribute graph by
extracting fine-grained attributes from item contents. ColdGPT then transfers
knowledge into the item-attribute graph from various available data sources,
i.e., item contents, historical purchase sequences, and review texts of the
existing items, via multi-task learning. To facilitate the positive transfer,
ColdGPT designs submodules according to the natural forms of the data sources
and coordinates the multiple pre-training tasks via unified
alignment-and-uniformity losses. Our pre-trained item-attribute graph acts as
an implicit, extendable item embedding matrix, which enables the SCS item
embeddings to be easily acquired by inserting these items and propagating their
attributes' embeddings. We carefully process three public datasets, i.e., Yelp,
Amazon-home, and Amazon-sports, to guarantee the SCS setting for evaluation.
Extensive experiments show that ColdGPT consistently outperforms the existing
SCS recommenders by large margins and even surpasses models that are
pre-trained on 75-224 times more, cross-domain data on two out of four
datasets.
- Abstract(参考訳): レコメンデーションシステムは厳格なコールドスタート(SCS)シナリオに苦しむ。
IDベースのアプローチは完全に機能しない。
一方、コールドスタート推奨者はアイテムの内容を活用して、新しいアイテムを既存のアイテムにマップする。
しかし、既存のSCSレコメンデータは、ノイズや情報損失をもたらす粗粒度な方法でアイテムの内容を調べる。
また、ユーザの購入シーケンスやレビューテキストなどの項目内容以外の情報的データソースも無視する。
本研究では,既存項目とSCS項目のギャップを埋める上でのきめ細かい項目属性の役割と,SCS項目推薦のための知識のある項目属性グラフの事前学習について検討する。
提案するフレームワークであるColdGPTは,項目内容から細粒度属性を抽出し,アイテム属性の相関関係をアイテム属性グラフにモデル化する。
coldgptは知識をさまざまな利用可能なデータソース、すなわちアイテムの内容、履歴購入シーケンス、既存のアイテムのレビューテキストから、マルチタスク学習を通じてアイテム属性グラフに転送する。
正の転送を容易にするため、coldgptはデータソースの自然な形式に従ってサブモジュールを設計し、統一されたアライメントと一様損失によって複数の事前トレーニングタスクを協調させる。
事前学習した項目属性グラフは暗黙的かつ拡張可能な項目埋め込み行列として機能し,これらの項目を挿入し,属性の埋め込みを伝播することにより,SCS項目埋め込みを容易に取得できる。
評価のためのSCS設定を保証するために、Yelp、Amazonホーム、Amazonスポーツの3つのパブリックデータセットを慎重に処理します。
大規模な実験では、ColdGPTは既存のSCSレコメンデータを大きなマージンで一貫して上回り、さらに4つのデータセットのうち2つについて、75~224倍のクロスドメインデータで事前トレーニングされたモデルを上回ります。
関連論文リスト
- Enhanced E-Commerce Attribute Extraction: Innovating with Decorative
Relation Correction and LLAMA 2.0-Based Annotation [4.81846973621209]
本稿では,分類のためのBERT,属性値抽出のための条件付きランダムフィールド(CRF)層,データアノテーションのための大規模言語モデル(LLM)を統合した先駆的フレームワークを提案する。
提案手法は, CRFのシーケンス復号技術と相乗化したBERTの頑健な表現学習を利用して, 属性値の同定と抽出を行う。
私たちの方法論は、Walmart、BestBuyのEコマースNERデータセット、CoNLLデータセットなど、さまざまなデータセットで厳格に検証されています。
論文 参考訳(メタデータ) (2023-12-09T08:26:30Z) - Product Attribute Value Extraction using Large Language Models [56.96665345570965]
事前学習言語モデル(PLM)に基づく最先端属性/値抽出手法は2つの欠点に直面している。
我々は,大規模言語モデル(LLM)を,既存の属性/値抽出法に代わる,より訓練的なデータ効率,より堅牢な代替手段として活用する可能性を探る。
論文 参考訳(メタデータ) (2023-10-19T07:39:00Z) - Product Information Extraction using ChatGPT [69.12244027050454]
本稿では,製品記述から属性/値対を抽出するChatGPTの可能性について検討する。
以上の結果から,ChatGPTは事前学習した言語モデルに類似した性能を達成できるが,微調整を行うにはトレーニングデータや計算処理がはるかに少ないことが示唆された。
論文 参考訳(メタデータ) (2023-06-23T09:30:01Z) - Better Generalization with Semantic IDs: A case study in Ranking for
Recommendations [17.909978767522226]
RQ-VAEを用いてコンテンツ埋め込みから学習したコンパクトな離散アイテム表現であるSemantic IDを使用する。
産業規模のビデオ共有プラットフォームで使用される資源制約付きランキングモデルにおいて、アイテムIDの代替として使用する方法を示す。
論文 参考訳(メタデータ) (2023-06-13T20:34:15Z) - Semi-supervised Adversarial Learning for Complementary Item
Recommendation [5.5174379874002435]
オンラインオークションサイトなど一部のオンラインマーケットプレースでは、常に新しいアイテムがカタログに追加されている。
項目側情報とラベル付き補完項目ペアの両方を活用する新しい手法を提案する。
3つのeコマースデータセットの実験から,本手法が有効であることが示された。
論文 参考訳(メタデータ) (2023-03-10T09:39:18Z) - CARCA: Context and Attribute-Aware Next-Item Recommendation via
Cross-Attention [7.573586022424399]
推奨設定では、ユーザのコンテキストとアイテム属性が、次に推奨するアイテムを決定する上で重要な役割を果たす。
本研究では,ユーザプロファイルの動的特性を,コンテキスト特徴やアイテム属性の観点から捉えることができるコンテキスト・属性対応レコメンデータモデルを提案する。
4つの実世界のレコメンデータシステムデータセットの実験では、提案モデルがアイテムレコメンデーションのタスクにおいて、すべての最先端モデルを著しく上回っていることが示されている。
論文 参考訳(メタデータ) (2022-04-04T13:22:28Z) - Sequential Modeling with Multiple Attributes for Watchlist
Recommendation in E-Commerce [67.6615871959902]
電子商取引におけるウォッチリスト機能について検討し、新しいウォッチリスト推薦タスクを導入する。
私たちのゴールは、ユーザーが次にクリックするアイテムを予測することで、ユーザーが次に注意を払うべきウォッチリスト項目を優先順位付けすることです。
提案するレコメンデーションモデルであるTrans2DはTransformerアーキテクチャ上に構築されている。
論文 参考訳(メタデータ) (2021-10-18T10:02:15Z) - Automatic Validation of Textual Attribute Values in E-commerce Catalog
by Learning with Limited Labeled Data [61.789797281676606]
そこで我々はMetaBridgeと呼ばれる新しいメタ学習潜伏変数アプローチを提案する。
限られたラベル付きデータを持つカテゴリのサブセットから、転送可能な知識を学ぶことができる。
ラベルのないデータで、目に見えないカテゴリの不確実性を捉えることができる。
論文 参考訳(メタデータ) (2020-06-15T21:31:05Z) - Joint Item Recommendation and Attribute Inference: An Adaptive Graph
Convolutional Network Approach [61.2786065744784]
レコメンデーションシステムでは、ユーザとアイテムは属性に関連付けられ、ユーザはアイテムの好みを表示する。
ユーザ(item)属性をアノテートすることは労働集約的なタスクであるため、属性値が欠落している多くの属性値と不完全であることが多い。
本稿では,共同項目推薦と属性推論のための適応グラフ畳み込みネットワーク(AGCN)アプローチを提案する。
論文 参考訳(メタデータ) (2020-05-25T10:50:01Z)
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。