論文の概要: AutoAssign+: Automatic Shared Embedding Assignment in Streaming
Recommendation
- arxiv url: http://arxiv.org/abs/2308.06965v1
- Date: Mon, 14 Aug 2023 06:43:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-15 14:04:42.338252
- Title: AutoAssign+: Automatic Shared Embedding Assignment in Streaming
Recommendation
- Title(参考訳): AutoAssign+:ストリーミングレコメンデーションにおける自動共有埋め込みアサインメント
- Authors: Ziru Liu, Kecheng Chen, Fengyi Song, Bo Chen, Xiangyu Zhao, Huifeng
Guo, Ruiming Tang
- Abstract要約: 我々は、Auto+と呼ばれる強化学習駆動フレームワークを導入し、自動共有埋め込みアサインメントプラスを実現する。
具体的には、Auto+はアクターネットワークとしてIdentity Agentを使用し、これは二重の役割を担う: (i) 低周波IDを小さな共有埋め込みセットでフィールド的に表現し、 (ii) 埋め込みテーブルでどのID機能を保持または排除すべきかを動的に決定する。
本フレームワークは,約20~30%のメモリ使用量の削減を実現し,ストリーミングレコメンデータシステムにおける実効性と効率性を検証する。
- 参考スコア(独自算出の注目度): 42.99615459433635
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the domain of streaming recommender systems, conventional methods for
addressing new user IDs or item IDs typically involve assigning initial ID
embeddings randomly. However, this practice results in two practical
challenges: (i) Items or users with limited interactive data may yield
suboptimal prediction performance. (ii) Embedding new IDs or low-frequency IDs
necessitates consistently expanding the embedding table, leading to unnecessary
memory consumption. In light of these concerns, we introduce a reinforcement
learning-driven framework, namely AutoAssign+, that facilitates Automatic
Shared Embedding Assignment Plus. To be specific, AutoAssign+ utilizes an
Identity Agent as an actor network, which plays a dual role: (i) Representing
low-frequency IDs field-wise with a small set of shared embeddings to enhance
the embedding initialization, and (ii) Dynamically determining which ID
features should be retained or eliminated in the embedding table. The policy of
the agent is optimized with the guidance of a critic network. To evaluate the
effectiveness of our approach, we perform extensive experiments on three
commonly used benchmark datasets. Our experiment results demonstrate that
AutoAssign+ is capable of significantly enhancing recommendation performance by
mitigating the cold-start problem. Furthermore, our framework yields a
reduction in memory usage of approximately 20-30%, verifying its practical
effectiveness and efficiency for streaming recommender systems.
- Abstract(参考訳): ストリーミングレコメンデータシステムの領域では、新しいユーザIDやアイテムIDに対処する従来の方法は、通常はランダムに初期IDの埋め込みを割り当てる。
しかし、この実践は2つの実践的な課題をもたらす。
(i) 対話データに制限のある項目又は利用者は、最適以下の予測性能が得られる。
(II)新しいIDや低周波IDの埋め込みは、埋め込みテーブルを継続的に拡張する必要があるため、不要なメモリ消費につながる。
これらの懸念を踏まえ、我々はAutoAssign+と呼ばれる強化学習駆動フレームワークを導入する。
具体的に言うと、AutoAssign+はアクターネットワークとしてIdentity Agentを使用している。
一 埋め込み初期化を高めるために、共有埋め込みの小さなセットで低周波IDをフィールド的に表現すること。
(ii) 埋め込みテーブルでどのID機能を保持または削除すべきかを動的に決定する。
エージェントのポリシーは、批評家ネットワークのガイダンスにより最適化される。
提案手法の有効性を評価するため、3つのベンチマークデータセットについて広範な実験を行った。
実験の結果,AutoAssign+はコールドスタート問題を緩和し,推奨性能を大幅に向上できることがわかった。
さらに,本フレームワークは,約20~30%のメモリ使用量の削減を実現し,ストリーミングレコメンデータシステムにおける実効性と効率性を検証する。
関連論文リスト
- 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) - Feature Decoupling-Recycling Network for Fast Interactive Segmentation [79.22497777645806]
近年のインタラクティブセグメンテーション手法では,入力としてソースイメージ,ユーザガイダンス,従来予測されていたマスクを反復的に取り込んでいる。
本稿では,本質的な相違点に基づいてモデリングコンポーネントを分離するFDRN(Feature Decoupling-Recycling Network)を提案する。
論文 参考訳(メタデータ) (2023-08-07T12:26:34Z) - Data-aided Active User Detection with a User Activity Extraction Network
for Grant-free SCMA Systems [0.0]
助成金不要のスパースコード多重アクセスシステムでは,ユーザのコンテントリソースと受信機におけるアクティブユーザ検出(AUD)の協調最適化が複雑である。
本稿では,新しいユーザアクティビティ抽出ネットワーク(UAEN)を介して,事前ユーザアクティビティ情報を抽出する深層学習型データ支援型AUD方式を提案する。
提案手法は,最先端のDLベースAUD方式と比較して,目標活動検出誤差率10~3ドルで3~5dBのゲインを達成した。
論文 参考訳(メタデータ) (2022-05-22T09:11:05Z) - Sampling Is All You Need on Modeling Long-Term User Behaviors for CTR
Prediction [15.97120392599086]
textbfM(textbfSampling-based textbfDeep textbfModeling)を提案する。
提案手法は, 長期ユーザ行動のモデル化において, 標準的な注意モデルと同等に機能することが理論的, 実験的に示されている。
論文 参考訳(メタデータ) (2022-05-20T15:20:52Z) - AttributeNet: Attribute Enhanced Vehicle Re-Identification [70.89289512099242]
本稿では,属性特徴と属性特徴を共同で抽出するAttributeNet(ANet)を提案する。
ReID-helpful属性特徴を蒸留し、一般的なReID特徴に加えることで、識別能力を高めることができる。
3つの挑戦的なデータセットに対して,我々のフレームワークの有効性を検証する。
論文 参考訳(メタデータ) (2021-02-07T19:51:02Z) - Dual-Refinement: Joint Label and Feature Refinement for Unsupervised
Domain Adaptive Person Re-Identification [51.98150752331922]
Unsupervised Domain Adaptive (UDA) Person Re-identification (再ID) は、ターゲットドメインデータのラベルが欠落しているため、難しい作業です。
オフラインクラスタリングフェーズにおける擬似ラベルとオンライントレーニングフェーズにおける特徴を共同で改良する,デュアルリファインメントと呼ばれる新しいアプローチを提案する。
本手法は最先端手法を大きなマージンで上回っている。
論文 参考訳(メタデータ) (2020-12-26T07:35:35Z) - Mining Implicit Entity Preference from User-Item Interaction Data for
Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。
我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。
利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
論文 参考訳(メタデータ) (2020-03-28T05:47:33Z)
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。