論文の概要: Scaling Session-Based Transformer Recommendations using Optimized Negative Sampling and Loss Functions

• arxiv url: http://arxiv.org/abs/2307.14906v1
• Date: Thu, 27 Jul 2023 14:47:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-28 14:11:25.656614
• Title: Scaling Session-Based Transformer Recommendations using Optimized Negative Sampling and Loss Functions
• Title（参考訳）: 最適化負サンプリングと損失関数を用いたセッションベース変圧器勧告のスケーリング
• Authors: Timo Wilm, Philipp Normann, Sophie Baumeister, Paul-Vincent Kobow
• Abstract要約: TRONはセッションベースのTransformer Recommenderで、最適化されたネガティブサンプリングを使用している。 TRONは、SASRecと同様のトレーニング速度を維持しながら、現在のメソッドの推奨品質を改善している。 ライブA/Bテストでは、SASRecよりもクリックスルー率が18.14%上昇した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work introduces TRON, a scalable session-based Transformer Recommender using Optimized Negative-sampling. Motivated by the scalability and performance limitations of prevailing models such as SASRec and GRU4Rec+, TRON integrates top-k negative sampling and listwise loss functions to enhance its recommendation accuracy. Evaluations on relevant large-scale e-commerce datasets show that TRON improves upon the recommendation quality of current methods while maintaining training speeds similar to SASRec. A live A/B test yielded an 18.14% increase in click-through rate over SASRec, highlighting the potential of TRON in practical settings. For further research, we provide access to our source code at https://github.com/otto-de/TRON and an anonymized dataset at https://github.com/otto-de/recsys-dataset.
• Abstract（参考訳）: この作業では、Optimized Negative-Samplingを使用したスケーラブルなセッションベースのTransformer RecommenderであるTRONを導入する。 SASRecやGRU4Rec+のような一般的なモデルのスケーラビリティと性能の制限により、TRONはトップkのネガティブサンプリングとリストワイズ損失関数を統合して、推奨精度を高める。 関連する大規模eコマースデータセットの評価によると、TRONはSASRecと同様のトレーニング速度を維持しながら、現在の手法の推奨品質を改善している。 ライブA/Bテストでは、SASRecよりも18.14%クリックスルー率が上昇し、実際の環境でのTRONの可能性を強調した。 さらなる研究のために、私たちはhttps://github.com/otto-de/tronでソースコードにアクセスし、匿名化されたデータセットをhttps://github.com/otto-de/recsys-datasetで提供します。

関連論文リスト

• A Reproducible Analysis of Sequential Recommender Systems [13.987953631479662]
  SequentialEnsurer Systems (SRS) はレコメンデーションシステムに対する高度に効率的なアプローチとして登場した。 既存の作品では、結果の複製性の欠点が示されており、論文間の矛盾した記述につながっている。 当社の作業は、データ前処理とモデル実装の標準化によって、これらのギャップを埋めます。
  論文  参考訳（メタデータ） (2024-08-07T16:23:29Z)
• RT-DETRv2: Improved Baseline with Bag-of-Freebies for Real-Time Detection Transformer [2.1186155813156926]
  RT-DETRv2は以前の最先端のリアルタイム検出器RT-DETR上に構築されている。 柔軟性を向上させるために,異なるスケールの特徴に対して,異なる数のサンプリングポイントを設定することを提案する。 実用性を高めるため, Grid_sample演算子を置き換えるために,任意の離散サンプリング演算子を提案する。
  論文  参考訳（メタデータ） (2024-07-24T10:20:19Z)
• Aligning GPTRec with Beyond-Accuracy Goals with Reinforcement Learning [67.71952251641545]
  GPTRecはアイテム・バイ・イテムレコメンデーションのためのTop-Kモデルの代替品である。 GPTRecは,従来のグリーディ・リグレード手法よりも精度とセカンダリ・メトリクスのトレードオフが優れていることを示す。 2つのデータセットに対する実験により、GPTRecのNext-K生成アプローチは、古典的なグリージーな再ランク技術よりも精度と二次メトリクスのトレードオフが優れていることが示された。
  論文  参考訳（メタデータ） (2024-03-07T19:47:48Z)
• gSASRec: Reducing Overconfidence in Sequential Recommendation Trained with Negative Sampling [67.71952251641545]
  負のサンプリングで訓練されたモデルは、正の相互作用の確率を過大評価する傾向がある。 本稿では, 一般化二項クロスエントロピー損失関数(gBCE)を提案する。 本稿では,gSASRecが過信問題を示さない3つのデータセットについて詳細な実験を行った。
  論文  参考訳（メタデータ） (2023-08-14T14:56:40Z)
• Selecting Learnable Training Samples is All DETRs Need in Crowded Pedestrian Detection [72.97320260601347]
  混雑した歩行者検出では, サンプル選択法が不適切であるため, DETRの性能は相変わらず不満足である。 制約誘導ラベル割り当てスキーム(CGLA)からなる群集歩行者のサンプル選択を提案する。 実験の結果,提案したSSCPは推論のオーバーヘッドを発生させることなく,ベースラインを効果的に改善することがわかった。
  論文  参考訳（メタデータ） (2023-05-18T08:28:01Z)
• Train/Test-Time Adaptation with Retrieval [129.8579208970529]
  Train/Test-Time Adaptation with Retrieval(rm T3AR$)を紹介します。 $rm T3AR$は、洗練された擬似ラベルと自己教師付きコントラスト目的関数を使用して、所定のモデルを下流タスクに適合させる。 検索モジュールのおかげで、ユーザまたはサービスプロバイダは、下流タスクのモデル適応を改善することができる。
  論文  参考訳（メタデータ） (2023-03-25T02:44:57Z)
• Improving Sequential Recommendation Models with an Enhanced Loss Function [9.573139673704766]
  逐次レコメンデーションモデルのための改良された損失関数を開発する。 2つの重要なオープンソースライブラリの実験を行う。 BERT4Recモデルの結果をBeautyデータセット上で再現する。
  論文  参考訳（メタデータ） (2023-01-03T07:18:54Z)
• Knockoffs-SPR: Clean Sample Selection in Learning with Noisy Labels [56.81761908354718]
  雑音ラベルを用いた学習のための,理論的に保証されたクリーンサンプル選択フレームワークを提案する。 Knockoffs-SPRは、標準的な教師付きトレーニングパイプラインのサンプル選択モジュールと見なすことができる。 さらに、ラベルなしデータとしてノイズデータのサポートを利用する半教師付きアルゴリズムと組み合わせる。
  論文  参考訳（メタデータ） (2023-01-02T07:13:28Z)
• Generating Negative Samples for Sequential Recommendation [83.60655196391855]
  逐次レコメンデーション(SR)のための負のサンプル(イテム)を生成することを提案する。 アイテムに対する現在のSRモデルの学習されたユーザの好みに基づいて、各タイムステップで負の項目をサンプリングする。 4つの公開データセットの実験は、SRに高品質な負のサンプルを提供することの重要性を検証する。
  論文  参考訳（メタデータ） (2022-08-07T05:44:13Z)

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。