論文の概要: Our Model Achieves Excellent Performance on MovieLens: What Does it
Mean?
- arxiv url: http://arxiv.org/abs/2307.09985v1
- Date: Wed, 19 Jul 2023 13:44:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-20 13:59:53.892588
- Title: Our Model Achieves Excellent Performance on MovieLens: What Does it
Mean?
- Title(参考訳): 私たちのモデルはMovieLensの優れたパフォーマンスを実現します。
- Authors: Yu-chen Fan, Yitong Ji, Jie Zhang, Aixin Sun
- Abstract要約: MovieLensのデータセットを精巧に分析する。
MovieLensプラットフォームと対話する場合、異なる段階でのユーザインタラクションには大きな違いがある。
MovieLensデータセット上で優れたレコメンデーション精度を達成するモデルは、実際には優れたパフォーマンスを示すものではないかもしれない。
- 参考スコア(独自算出の注目度): 34.12494147229374
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A typical benchmark dataset for recommender system (RecSys) evaluation
consists of user-item interactions generated on a platform within a time
period. The interaction generation mechanism partially explains why a user
interacts with (e.g.,like, purchase, rate) an item, and the context of when a
particular interaction happened. In this study, we conduct a meticulous
analysis on the MovieLens dataset and explain the potential impact on using the
dataset for evaluating recommendation algorithms. We make a few main findings
from our analysis. First, there are significant differences in user
interactions at the different stages when a user interacts with the MovieLens
platform. The early interactions largely define the user portrait which affect
the subsequent interactions. Second, user interactions are highly affected by
the candidate movies that are recommended by the platform's internal
recommendation algorithm(s). Removal of interactions that happen nearer to the
last few interactions of a user leads to increasing difficulty in learning user
preference, thus deteriorating recommendation accuracy. Third, changing the
order of user interactions makes it more difficult for sequential algorithms to
capture the progressive interaction process. Based on these findings, we
further discuss the discrepancy between the interaction generation mechanism
that is employed by the MovieLens system and that of typical real world
recommendation scenarios. In summary, models that achieve excellent
recommendation accuracy on the MovieLens dataset may not demonstrate superior
performance in practice for at least two kinds of differences: (i) the
differences in the contexts of user-item interaction generation, and (ii) the
differences in user knowledge about the item collections.
- Abstract(参考訳): 典型的なrecsys(benchmark dataset for recommender system)の評価は、時間内にプラットフォーム上で生成されたユーザとテーマのインタラクションで構成されている。
インタラクション生成メカニズムは、ユーザがアイテム(例えば、購入、レート)と相互作用する理由と、特定のインタラクションが発生した時のコンテキストを部分的に説明します。
本研究では,MovieLensデータセットの精巧な分析を行い,提案アルゴリズムの評価にデータセットを使用することによる潜在的影響を説明する。
分析からいくつかの主な知見を得た。
まず、ユーザがmovielensプラットフォームと対話する場合、異なる段階でのユーザインタラクションには大きな違いがあります。
初期のインタラクションは主に、その後のインタラクションに影響を与えるユーザポートレートを定義する。
第二に、ユーザーのインタラクションは、プラットフォームの内部レコメンデーションアルゴリズム(s)によって推奨される候補映画の影響を強く受けている。
ユーザの最後の数少ないインタラクションに近く発生するインタラクションの削除は、ユーザの好みを学習する際の困難を増し、レコメンデーションの精度を低下させる。
第3に、ユーザインタラクションの順序を変更することで、シーケンシャルアルゴリズムがプログレッシブインタラクションプロセスをキャプチャすることがより困難になる。
そこで,本研究では,映画レンズシステムで使用されるインタラクション生成機構と,実世界の典型的なレコメンデーションシナリオとの相違について検討する。
要約すると、MovieLensデータセット上で優れたレコメンデーション精度を達成するモデルは、少なくとも2種類の違いに対して、実際に優れたパフォーマンスを示すことができないかもしれない。
(i)ユーザ・コンテンツ間インタラクション生成のコンテキストの違い、
(ii)アイテムコレクションに関するユーザ知識の違い。
関連論文リスト
- AdaptSSR: Pre-training User Model with Augmentation-Adaptive
Self-Supervised Ranking [19.1857792382924]
本稿では,Augmentation-Supervised Ranking (AdaptSSR)を提案する。
我々は、暗黙的に拡張されたビュー、明示的な拡張されたビュー、および他のユーザからのビューの類似性の順序をキャプチャするために、ユーザモデルを訓練する複数のペアランキング損失を採用する。
6つの下流タスクを持つパブリックデータセットとインダストリアルデータセットの実験は、AdaptSSRの有効性を検証する。
論文 参考訳(メタデータ) (2023-10-15T02:19:28Z) - Neighbor Based Enhancement for the Long-Tail Ranking Problem in Video
Rank Models [0.0]
本稿では,対象ユーザや項目の表現のトレーニングを支援する新しい隣人拡張構造を提案する。
有名な公開データセットMovieLens 1Mの実験は、この手法の効率を実証している。
論文 参考訳(メタデータ) (2023-02-16T07:38:51Z) - Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。
しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。
したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
論文 参考訳(メタデータ) (2022-11-17T19:00:24Z) - 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) - Understanding How People Rate Their Conversations [73.17730062864314]
我々は、人々が会話エージェントとのインタラクションをどのように評価するかをよりよく理解するために研究を行う。
我々は、評価の変動を説明する変数として、同意性と外向性に焦点を当てる。
論文 参考訳(メタデータ) (2022-06-01T00:45:32Z) - Relation-aware Heterogeneous Graph for User Profiling [24.076585294260816]
本稿では,ユーザ・プロファイリングにおける関係性を考慮した異種グラフ手法を提案する。
我々は、不均一なメッセージパッシングに対して、トランスフォーマー方式でクエリ、キー、値のメカニズムを採用する。
実世界の2つのeコマースデータセットの実験を行い、我々のアプローチの大幅なパフォーマンス向上を観察する。
論文 参考訳(メタデータ) (2021-10-14T06:59:30Z) - 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) - Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。
本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。
最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
論文 参考訳(メタデータ) (2021-09-07T04:28:09Z) - 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) - Information Interaction Profile of Choice Adoption [2.9972063833424216]
相互作用するエンティティを分離する時間的距離に応じて、エンティティの相互作用ネットワークとその進化を推定する効率的な方法を紹介します。
相互作用プロファイルは、相互作用プロセスのメカニズムを特徴付けることができます。
ユーザに対する露出の組み合わせの効果は、各露出の独立した効果の総和以上のものであることを示す。
論文 参考訳(メタデータ) (2021-04-28T10:42:25Z) - Dynamic Graph Collaborative Filtering [64.87765663208927]
動的レコメンデーションは,逐次データに基づくリアルタイム予測を提供するレコメンデータシステムにとって不可欠である。
本稿では、動的グラフを利用して協調関係とシーケンシャル関係をキャプチャする新しいフレームワーク、Dynamic Graph Collaborative Filtering (DGCF)を提案する。
提案手法は, 動的協調情報の統合の有効性を示すため, 動作繰り返しの少ないデータセットでは高い性能を実現する。
論文 参考訳(メタデータ) (2021-01-08T04:16:24Z)
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。