論文の概要: ClusterSeq: Enhancing Sequential Recommender Systems with Clustering
based Meta-Learning
- arxiv url: http://arxiv.org/abs/2307.13766v1
- Date: Tue, 25 Jul 2023 18:53:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-27 14:36:20.381966
- Title: ClusterSeq: Enhancing Sequential Recommender Systems with Clustering
based Meta-Learning
- Title(参考訳): ClusterSeq: クラスタリングに基づくメタラーニングによるシーケンスレコメンダシステムの強化
- Authors: Mohammmadmahdi Maheri, Reza Abdollahzadeh, Bardia Mohammadi, Mina
Rafiei, Jafar Habibi, Hamid R. Rabiee
- Abstract要約: ClusterSeqはメタラーニングクラスタリングに基づくシーケンスレコメンダシステムである。
ユーザシーケンスの動的情報を利用して、サイド情報がない場合でもアイテム予測精度を高める。
提案手法は平均相反ランク(MRR)において16~39%の大幅な改善を実現する。
- 参考スコア(独自算出の注目度): 3.168790535780547
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In practical scenarios, the effectiveness of sequential recommendation
systems is hindered by the user cold-start problem, which arises due to limited
interactions for accurately determining user preferences. Previous studies have
attempted to address this issue by combining meta-learning with user and
item-side information. However, these approaches face inherent challenges in
modeling user preference dynamics, particularly for "minor users" who exhibit
distinct preferences compared to more common or "major users." To overcome
these limitations, we present a novel approach called ClusterSeq, a
Meta-Learning Clustering-Based Sequential Recommender System. ClusterSeq
leverages dynamic information in the user sequence to enhance item prediction
accuracy, even in the absence of side information. This model preserves the
preferences of minor users without being overshadowed by major users, and it
capitalizes on the collective knowledge of users within the same cluster.
Extensive experiments conducted on various benchmark datasets validate the
effectiveness of ClusterSeq. Empirical results consistently demonstrate that
ClusterSeq outperforms several state-of-the-art meta-learning recommenders.
Notably, compared to existing meta-learning methods, our proposed approach
achieves a substantial improvement of 16-39% in Mean Reciprocal Rank (MRR).
- Abstract(参考訳): 実際のシナリオでは、ユーザの好みを正確に決定するためのインタラクションが限られているため、シーケンシャルレコメンデーションシステムの有効性は、ユーザコールドスタート問題によって妨げられる。
これまでの研究では、メタラーニングとユーザとアイテムサイドの情報を組み合わせることでこの問題に対処しようと試みている。
しかし、これらのアプローチは、より一般的なユーザーや「主要なユーザー」に比べて異なる好みを示す「マイナーユーザー」に対して、ユーザーの嗜好のダイナミクスをモデル化する固有の課題に直面している。
これらの制約を克服するために,メタラーニングクラスタリングに基づくシーケンスレコメンダシステムであるClusterSeqを提案する。
ClusterSeqはユーザシーケンスの動的情報を活用し、サイド情報がない場合でもアイテムの予測精度を向上させる。
このモデルは、主要なユーザによって隠蔽されることなく、マイナーユーザの嗜好を保ち、同一クラスタ内のユーザの集合的知識を活用する。
さまざまなベンチマークデータセットで実施された大規模な実験は、ClusterSeqの有効性を検証する。
実証的な結果は、ClusterSeqがいくつかの最先端のメタ学習レコメンデータを上回っていることを一貫して示している。
特に,既存のメタラーニング手法と比較して,提案手法は平均相反ランク(MRR)において16~39%の大幅な改善を実現している。
関連論文リスト
- ECORS: An Ensembled Clustering Approach to Eradicate The Local And Global Outlier In Collaborative Filtering Recommender System [0.0]
外乱検知は レコメンデーターシステムにおける 重要な研究領域です
様々なクラスタリングアルゴリズムを用いて,これらの課題に対処する手法を提案する。
実験の結果,提案手法はリコメンデータシステムにおける異常検出の精度を大幅に向上させることが示された。
論文 参考訳(メタデータ) (2024-10-01T05:06:07Z) - Retrieval Augmentation via User Interest Clustering [57.63883506013693]
インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。
本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。
当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
論文 参考訳(メタデータ) (2024-08-07T16:35:10Z) - Expert with Clustering: Hierarchical Online Preference Learning Framework [4.05836962263239]
Expert with Clustering (EWC)は、クラスタリングのテクニックと予測を専門家のアドバイスと統合した階層的なコンテキスト的バンディットフレームワークである。
EWCはLinUCBベースラインと比較して後悔を27.57%減らすことができる。
論文 参考訳(メタデータ) (2024-01-26T18:44:49Z) - Meta-Wrapper: Differentiable Wrapping Operator for User Interest
Selection in CTR Prediction [97.99938802797377]
クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。
近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。
そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
論文 参考訳(メタデータ) (2022-06-28T03:28:15Z) - Modeling Dynamic User Preference via Dictionary Learning for Sequential
Recommendation [133.8758914874593]
ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。
浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。
本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
論文 参考訳(メタデータ) (2022-04-02T03:23:46Z) - Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。
メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。
MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
論文 参考訳(メタデータ) (2021-10-18T08:11:24Z) - 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) - Improved Representation Learning for Session-based Recommendation [0.0]
セッションベースのレコメンデーションシステムは、短期匿名セッションを用いてユーザの行動や嗜好をモデル化することで、ユーザに対して関連項目を提案する。
既存の方法はグラフニューラルネットワーク(GNN)を利用して、近隣のノードから情報を伝達し集約する。
我々は、よりリッチな表現学習を可能にする目標注意型GNNと組み合わせてトランスフォーマーを提案する。
論文 参考訳(メタデータ) (2021-07-04T00:57:28Z) - Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。
本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
論文 参考訳(メタデータ) (2020-10-02T07:11:19Z)
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。