論文の概要: AutoSeqRec: Autoencoder for Efficient Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2308.06878v1
• Date: Mon, 14 Aug 2023 01:23:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-15 14:57:22.130499
• Title: AutoSeqRec: Autoencoder for Efficient Sequential Recommendation
• Title（参考訳）: AutoSeqRec: 効率的なシーケンスレコメンデーションのためのオートエンコーダ
• Authors: Sijia Liu, Jiahao Liu, Hansu Gu, Dongsheng Li, Tun Lu, Peng Zhang, Ning Gu
• Abstract要約: 本稿では,逐次レコメンデーションタスクに特化したインクリメンタルレコメンデーションモデルであるAutoSeqRecを提案する。 AutoSeqRecはオートエンコーダに基づいており、オートエンコーダアーキテクチャ内のエンコーダと3つのデコーダで構成されている。 総合的な評価によると、AutoSeqRecは、その堅牢性と効率性を示しながら、既存の手法よりも精度が高い。
• 参考スコア（独自算出の注目度）: 39.65252473941165
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequential recommendation demonstrates the capability to recommend items by modeling the sequential behavior of users. Traditional methods typically treat users as sequences of items, overlooking the collaborative relationships among them. Graph-based methods incorporate collaborative information by utilizing the user-item interaction graph. However, these methods sometimes face challenges in terms of time complexity and computational efficiency. To address these limitations, this paper presents AutoSeqRec, an incremental recommendation model specifically designed for sequential recommendation tasks. AutoSeqRec is based on autoencoders and consists of an encoder and three decoders within the autoencoder architecture. These components consider both the user-item interaction matrix and the rows and columns of the item transition matrix. The reconstruction of the user-item interaction matrix captures user long-term preferences through collaborative filtering. In addition, the rows and columns of the item transition matrix represent the item out-degree and in-degree hopping behavior, which allows for modeling the user's short-term interests. When making incremental recommendations, only the input matrices need to be updated, without the need to update parameters, which makes AutoSeqRec very efficient. Comprehensive evaluations demonstrate that AutoSeqRec outperforms existing methods in terms of accuracy, while showcasing its robustness and efficiency.
• Abstract（参考訳）: 逐次的レコメンデーションは,ユーザの逐次動作をモデル化することによって,アイテムを推奨する能力を示す。 伝統的な手法は通常、ユーザーをアイテムのシーケンスとして扱い、それらの間の協調関係を見渡す。 グラフベースの手法は、ユーザ-イテム相互作用グラフを利用して協調情報を組み込む。 しかし、これらの手法は時間的複雑さと計算効率の点で困難に直面することがある。 これらの制約に対処するため,本稿では,逐次レコメンデーションタスクに特化したインクリメンタルレコメンデーションモデルであるAutoSeqRecを提案する。 autoseqrecはautoencoderをベースにしており、autoencoderアーキテクチャ内のエンコーダと3つのデコーダで構成されている。 これらのコンポーネントは、ユーザ-itemインタラクションマトリックスとアイテム遷移マトリックスの行と列の両方を考慮します。 ユーザ-イテム相互作用行列の再構成は、協調フィルタリングにより、ユーザの長期的嗜好をキャプチャする。 さらに、アイテム遷移マトリクスの行と列は、ユーザの短期的関心をモデル化できる、外向きおよび内向きのホッピング動作を表す。 インクリメンタルなレコメンデーションを行う場合、パラメータを更新せずに入力行列のみを更新する必要があるため、autoseqrecは非常に効率的である。 総合的な評価によると、AutoSeqRecは、その堅牢性と効率性を示しながら、既存の手法よりも精度が高い。

関連論文リスト

• EDGE-Rec: Efficient and Data-Guided Edge Diffusion For Recommender Systems Graphs [0.0]
  本稿では,ユーザとアイテムの機能だけでなく,リアルタイムなインタラクションの重み付けを生かした新しいアテンション機構を提案する。 我々は,ユーザ・イテム相互作用グラフの重み付き相互作用行列を反復的に復調するために,新しいグラフ拡散変換器GDiTアーキテクチャを訓練する。 テキスト条件付き画像生成の最近の進歩に触発されて,本手法は,従来の評価と同一スケールのユーザ・イテム評価を直接生成する。
  論文  参考訳（メタデータ） (2024-09-23T03:23:20Z)
• MMGRec: Multimodal Generative Recommendation with Transformer Model [81.61896141495144]
  MMGRecは、マルチモーダルレコメンデーションに生成パラダイムを導入することを目指している。 まず,階層的な量子化手法であるGraph CF-RQVAEを考案し,各項目にRec-IDを割り当てる。 次に、Transformerベースのレコメンデータをトレーニングし、過去のインタラクションシーケンスに基づいて、ユーザが推奨するアイテムのRec-IDを生成する。
  論文  参考訳（メタデータ） (2024-04-25T12:11:27Z)
• MISSRec: Pre-training and Transferring Multi-modal Interest-aware Sequence Representation for Recommendation [61.45986275328629]
  逐次レコメンデーションのためのマルチモーダル事前学習・転送学習フレームワークであるMISSRecを提案する。 ユーザ側ではトランスフォーマーベースのエンコーダデコーダモデルを設計し、コンテキストエンコーダがシーケンスレベルのマルチモーダルユーザ興味を捉えることを学習する。 候補項目側では,ユーザ適応項目表現を生成するために動的融合モジュールを採用する。
  論文  参考訳（メタデータ） (2023-08-22T04:06:56Z)
• Graph Collaborative Signals Denoising and Augmentation for Recommendation [75.25320844036574]
  ユーザ・ユーザ・項目間の相関を組み込んだグラフ隣接行列を提案する。 ユーザ・ユーザ・イテム相関と項目・イテム相関が組み合わさることで,豊富なインタラクションと不十分なインタラクションを持つユーザのレコメンデーションが向上することを示す。
  論文  参考訳（メタデータ） (2023-04-06T19:43:37Z)
• SUPER-Rec: SUrrounding Position-Enhanced Representation for Recommendation [5.5362209010481855]
  協調フィルタリング問題は一般に行列補完法に基づいて解決される。 本稿では,新しい位置強調型ユーザ/イテム表現トレーニングモデル SUPER-Rec を提案する。
  論文  参考訳（メタデータ） (2022-09-09T07:24:55Z)
• Efficient and Scalable Recommendation via Item-Item Graph Partitioning [10.390315462253726]
  協調フィルタリング(CF)はレコメンダシステムにおいて広く研究されている問題である。 アイテム-イットグラフ分割(ERGP)による効率的かつスケーラブルなレコメンデーションを提案する。
  論文  参考訳（メタデータ） (2022-07-13T04:37:48Z)
• 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)
• Modurec: Recommender Systems with Feature and Time Modulation [50.51144496609274]
  特徴量変調機構を用いて利用可能な情報を全て組み合わせたオートエンコーダに基づくModurecを提案する。 Movielensデータセットでは、これらの修正によって、最も評価された設定で最先端の結果が得られます。
  論文  参考訳（メタデータ） (2020-10-13T09:18:33Z)

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。