論文の概要: Masked and Swapped Sequence Modeling for Next Novel Basket Recommendation in Grocery Shopping

• arxiv url: http://arxiv.org/abs/2308.01308v1
• Date: Wed, 2 Aug 2023 17:52:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-03 12:03:19.499112
• Title: Masked and Swapped Sequence Modeling for Next Novel Basket Recommendation in Grocery Shopping
• Title（参考訳）: 食料品ショッピングにおける新しいバスケットレコメンデーションのためのマスキングおよびスワップシーケンスモデリング
• Authors: Ming Li, Mozhdeh Ariannezhad, Andrew Yates, Maarten de Rijke
• Abstract要約: 次のバスケットレコメンデーション(NBR)は、すでに購入したバスケットのシーケンスに基づいて、次のアイテムセットを予測するタスクである。 我々は、次の新しいバスケットレコメンデーション(NNBR)タスク、すなわち、新しいアイテムのみで構成されるバスケットを推奨するタスクを定式化する。
• 参考スコア（独自算出の注目度）: 59.52585406731807
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Next basket recommendation (NBR) is the task of predicting the next set of items based on a sequence of already purchased baskets. It is a recommendation task that has been widely studied, especially in the context of grocery shopping. In next basket recommendation (NBR), it is useful to distinguish between repeat items, i.e., items that a user has consumed before, and explore items, i.e., items that a user has not consumed before. Most NBR work either ignores this distinction or focuses on repeat items. We formulate the next novel basket recommendation (NNBR) task, i.e., the task of recommending a basket that only consists of novel items, which is valuable for both real-world application and NBR evaluation. We evaluate how existing NBR methods perform on the NNBR task and find that, so far, limited progress has been made w.r.t. the NNBR task. To address the NNBR task, we propose a simple bi-directional transformer basket recommendation model (BTBR), which is focused on directly modeling item-to-item correlations within and across baskets instead of learning complex basket representations. To properly train BTBR, we propose and investigate several masking strategies and training objectives: (i) item-level random masking, (ii) item-level select masking, (iii) basket-level all masking, (iv) basket-level explore masking, and (v) joint masking. In addition, an item-basket swapping strategy is proposed to enrich the item interactions within the same baskets. We conduct extensive experiments on three open datasets with various characteristics. The results demonstrate the effectiveness of BTBR and our masking and swapping strategies for the NNBR task. BTBR with a properly selected masking and swapping strategy can substantially improve NNBR performance.
• Abstract（参考訳）: 次のバスケットレコメンデーション(NBR)は、すでに購入したバスケットのシーケンスに基づいて、次のアイテムセットを予測するタスクである。 これは、特に食料品の買い物の文脈で広く研究されているレコメンデーションタスクである。 次回のバスケットレコメンデーション(NBR)では、ユーザが以前消費したアイテム、すなわちユーザが以前に消費したアイテム、すなわちユーザが消費していないアイテムを区別することが有用である。 ほとんどのNBRの作品は、この区別を無視しているか、繰り返しアイテムに焦点を当てている。 我々は,次の新しいバスケットレコメンデーション(NNBR)タスク,すなわち,現実の応用とNBR評価の両方に有用な,新しいアイテムのみで構成されるバスケットを推奨するタスクを定式化する。 我々は,既存のNBR手法がNNBRタスクでどのように機能するかを評価し,これまでのところ,NNBRタスクに対して限られた進展が見られた。 NNBRタスクに対処するために、複雑なバスケット表現を学習する代わりに、バスケット内のアイテム間相関を直接モデル化することを目的とした、単純な双方向トランスフォーマーバスケットレコメンデーションモデル(BTBR)を提案する。 BTBRを適切に訓練するために、いくつかのマスキング戦略とトレーニング目標を提案し、検討する。 (i)アイテムレベルのランダムマスキング (ii)アイテムレベルの選択マスク (三)バスケットレベルの全マスキング (iv)バスケットレベルのマスキング、及び (v)ジョイントマスク。 さらに,同じバスケット内のアイテムインタラクションを強化するために,アイテム-バスケット交換戦略を提案する。 様々な特徴を持つ3つのオープンデータセットについて広範な実験を行う。 その結果,BTBR の有効性と NNBR タスクのマスキング・スワップ戦略の有効性が示された。 適切に選択されたマスキングとスワップ戦略を持つBTBRはNNBRの性能を大幅に向上させることができる。

関連論文リスト

• Hypergraph Enhanced Knowledge Tree Prompt Learning for Next-Basket Recommendation [50.55786122323965]
  次バスケットレコメンデーション(NBR)は、対応するバスケットシーケンスが与えられた次のバスケット内のアイテムを推論することを目的としている。 HEKP4NBRは知識グラフ(KG)をKTP(Knowledge Tree Prompt)と呼ばれるプロンプトに変換し、PLMがOOV(Out-Of-Vocabulary)アイテムIDをエンコードするのを助ける。 ハイパーグラフ畳み込みモジュールは、複数の側面からMoEモデルによって測定されたアイテム類似性に基づいてハイパーグラフを構築するように設計されている。
  論文  参考訳（メタデータ） (2023-12-26T02:12:21Z)
• Zero-shot Item-based Recommendation via Multi-task Product Knowledge Graph Pre-Training [106.85813323510783]
  本稿ではゼロショットアイテムベース勧告(ZSIR)タスクのための新しいパラダイムを提案する。 製品知識グラフ(PKG)のモデルを事前トレーニングして、PLMからアイテム機能を洗練します。 我々は,PKGにおける多型関係,アイテムジェネリック情報と関係のセマンティックな相違,PKGから下流ZSIRタスクへのドメイン差といった,PKG事前学習の課題を3つ挙げる。
  論文  参考訳（メタデータ） (2023-05-12T17:38:24Z)
• A Next Basket Recommendation Reality Check [48.29308926607474]
  次のバスケットレコメンデーション(NBR)システムの目標は、以前のバスケットのシーケンスに基づいて、次のバスケットのアイテムをユーザに推奨することである。 我々は,反復と探索の区別を中心に,次のバスケット推薦手法の評価について,新しい角度を提供する。 NBRモデルの繰り返し/爆発率と性能を測定する指標のセットを提案する。
  論文  参考訳（メタデータ） (2021-09-29T07:14:22Z)
• Basket Recommendation with Multi-Intent Translation Graph Neural Network [59.00550319853681]
  バスケットボールレコメンデーション(BR)は、現在のバスケットにアイテムのランキングリストを推薦することである。 textbfMulti-textbfIntent textbfTranslation textbfGraph textbfNeural textbfNetwork(textbfMITGNN)という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-22T03:52:00Z)
• Modeling Personalized Item Frequency Information for Next-basket Recommendation [63.94555438898309]
  次世代レコメンデーション(NBR)は、電子商取引や小売業界で一般的である。 既存のRNNでは,レコメンデーションシナリオにおいて,アイテムの周波数情報を直接キャプチャすることはできない。 我々はこれらの臨界信号を直接利用する簡単なアイテム周波数に基づくk-nearest neighbors (kNN)法を提案する。
  論文  参考訳（メタデータ） (2020-05-31T16:42:39Z)

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。