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

• Learning ID-free Item Representation with Token Crossing for Multimodal Recommendation [26.737971605928358]
  我々はMOTORというIDのないマルチモーダルトークン表現方式を提案する。 まず、各項目のマルチモーダル特徴を離散トークンIDに識別するために、製品量子化を用いる。 次に、これらのトークンIDに対応するトークン埋め込みを暗黙のアイテム機能として解釈する。 結果として得られた表現は、元のID埋め込みを置き換え、元のマルチモーダルレコメンデータをIDフリーシステムに変換することができる。
  論文  参考訳（メタデータ） (2024-10-25T03:06:10Z)
• Long-Sequence Recommendation Models Need Decoupled Embeddings [49.410906935283585]
  我々は、既存の長期推薦モデルにおいて無視された欠陥を識別し、特徴付ける。 埋め込みの単一のセットは、注意と表現の両方を学ぶのに苦労し、これら2つのプロセス間の干渉につながります。 本稿では,2つの異なる埋め込みテーブルを別々に学習し,注意と表現を完全に分離する,DARE(Decoupled Attention and Representation Embeddings)モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-03T15:45:15Z)
• EAGER: Two-Stream Generative Recommender with Behavior-Semantic Collaboration [63.112790050749695]
  本稿では,行動情報と意味情報の両方をシームレスに統合する新しい生成推薦フレームワークであるEAGERを紹介する。 EAGERの有効性を4つの公開ベンチマークで検証し,既存手法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2024-06-20T06:21:56Z)
• 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)
• 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)

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。