論文の概要: Text Matching Improves Sequential Recommendation by Reducing Popularity Biases

• arxiv url: http://arxiv.org/abs/2308.14029v1
• Date: Sun, 27 Aug 2023 07:44:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-29 17:25:09.510811
• Title: Text Matching Improves Sequential Recommendation by Reducing Popularity Biases
• Title（参考訳）: テキストマッチングによる人気バイアス低減による逐次レコメンデーションの改善
• Authors: Zhenghao Liu, Sen Mei, Chenyan Xiong, Xiaohua Li, Shi Yu, Zhiyuan Liu, Yu Gu, Ge Yu
• Abstract要約: TASTEは、アイテムの識別子と属性を使用して、アイテムとユーザとイテムのインタラクションを言語化する。 実験の結果,TASTEはシーケンシャルレコメンデーションデータセットにおいて最先端の手法よりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 48.272381505993366
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes Text mAtching based SequenTial rEcommendation model (TASTE), which maps items and users in an embedding space and recommends items by matching their text representations. TASTE verbalizes items and user-item interactions using identifiers and attributes of items. To better characterize user behaviors, TASTE additionally proposes an attention sparsity method, which enables TASTE to model longer user-item interactions by reducing the self-attention computations during encoding. Our experiments show that TASTE outperforms the state-of-the-art methods on widely used sequential recommendation datasets. TASTE alleviates the cold start problem by representing long-tail items using full-text modeling and bringing the benefits of pretrained language models to recommendation systems. Our further analyses illustrate that TASTE significantly improves the recommendation accuracy by reducing the popularity bias of previous item id based recommendation models and returning more appropriate and text-relevant items to satisfy users. All codes are available at https://github.com/OpenMatch/TASTE.
• Abstract（参考訳）: 本稿では,テキストmAtchingに基づくSequenTial rEcommendation Model (TASTE)を提案する。 tasteはアイテムの識別子と属性を使ってアイテムとユーザーとアイテムのインタラクションを口頭で表現する。 ユーザ動作のキャラクタリゼーションを改善するため,TASTEでは,エンコーディング時の自己注意計算を小さくすることで,より長いユーザとイテムのインタラクションをモデル化できるアテンション・スパシティー法も提案している。 実験の結果,TASTEはシーケンシャルレコメンデーションデータセットにおいて最先端の手法よりも優れていることがわかった。 TASTEは、フルテキストモデリングを用いてロングテールアイテムを表現し、事前学習された言語モデルの利点をレコメンデーションシステムにもたらすことで、コールドスタート問題を緩和する。 さらに,TASTEは,従来の項目IDベースのレコメンデーションモデルの人気バイアスを低減し,ユーザ満足度を高めるために適切なテキスト関連項目を返すことにより,推奨精度を大幅に向上することを示す。 すべてのコードはhttps://github.com/OpenMatch/TASTEで入手できる。

関連論文リスト

• MARS: Matching Attribute-aware Representations for Text-based Sequential Recommendation [11.460164505052981]
  テキストベースのシーケンスレコメンデーション(MARS)のための新しいモデルであるマッチング属性認識表現を提案する。 MARSは属性対応のテキストエンコーディングを通じて詳細なユーザとアイテムの表現を抽出し、複数の属性対応の表現で多様なユーザ意図をキャプチャする。 そして属性レベルのユーザの好みを効果的にキャプチャする。
  論文  参考訳（メタデータ） (2024-09-01T12:11:48Z)
• Reindex-Then-Adapt: Improving Large Language Models for Conversational Recommendation [50.19602159938368]
  大規模言語モデル(LLM)は、会話レコメンデーションシステムに革命をもたらしている。 本稿では,マルチトークンのタイトルを単一トークンに変換するReindex-Then-Adapt(RTA)フレームワークを提案する。 本フレームワークでは,3つの対話推薦データセットの精度向上を実証する。
  論文  参考訳（メタデータ） (2024-05-20T15:37:55Z)
• LlamaRec: Two-Stage Recommendation using Large Language Models for Ranking [10.671747198171136]
  ランキングベースレコメンデーション(LlamaRec)のための大規模言語モデルを用いた2段階フレームワークを提案する。 特に,ユーザインタラクション履歴に基づいて候補を検索するために,小規模なシーケンシャルレコメンデータを用いる。 LlamaRecは、推奨パフォーマンスと効率の両方において、データセットの優れたパフォーマンスを一貫して達成している。
  論文  参考訳（メタデータ） (2023-10-25T06:23:48Z)
• Attentive Graph-based Text-aware Preference Modeling for Top-N Recommendation [2.3991565023534083]
  我々はAttentive Graph-based Text-aware Recommendation Model (AGTM) という新しいモデルを提案する。 本研究では,項目テキストコンテンツと高次接続性の両方を効果的にモデル化し,トップNレコメンデーションをさらに改善することを目的としている。
  論文  参考訳（メタデータ） (2023-05-22T12:32:06Z)
• How to Index Item IDs for Recommendation Foundation Models [49.425959632372425]
  Recommendation foundation modelは、リコメンデーションタスクを自然言語タスクに変換することで、リコメンデーションのために大きな言語モデル(LLM)を利用する。 過剰に長いテキストや幻覚的なレコメンデーションを生成するのを避けるために、LCM互換のアイテムIDを作成することが不可欠である。 本稿では,シーケンシャルインデックス,協調インデックス,セマンティックインデックス(コンテンツベース)インデックス,ハイブリッドインデックスの4つを提案する。
  論文  参考訳（メタデータ） (2023-05-11T05:02:37Z)
• Recommender Systems with Generative Retrieval [58.454606442670034]
  本稿では,対象候補の識別子を自己回帰的に復号する新たな生成検索手法を提案する。 そのために、各項目のセマンティックIDとして機能するために、意味論的に意味のあるコードワードを作成します。 提案手法を用いて学習した推薦システムは,様々なデータセット上での現在のSOTAモデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-08T21:48:17Z)
• Improving Items and Contexts Understanding with Descriptive Graph for Conversational Recommendation [4.640835690336652]
  会話レコメンデーションシステム(CRS)における最先端の手法は、外部知識を活用して、項目の表現と文脈の表現を強化する。 我々は,同じ意味空間における項目とその関連する文脈語を共同でモデル化する新しいCRSフレームワークKLEVERを提案する。 CRSデータセットのベンチマーク実験では、KLEVERは特にユーザの応答からの情報が不足している場合に、優れたパフォーマンスを達成することが示されている。
  論文  参考訳（メタデータ） (2023-04-11T21:21:46Z)
• Using Interventions to Improve Out-of-Distribution Generalization of Text-Matching Recommendation Systems [14.363532867533012]
  ペア化アイテム関連データに基づく大規模ベース言語モデルの微調整は、一般化には非生産的である。 製品レコメンデーションタスクでは、新しいカテゴリや将来的な期間の項目を推薦する場合、ファインチューニングはベースモデルよりも精度が低い。 本稿では,モデルの関連性スコアに対するトークンの因果的影響を制限する介入ベース正規化器を提案する。
  論文  参考訳（メタデータ） (2022-10-07T11:16:45Z)
• Modeling Dynamic User Preference via Dictionary Learning for Sequential Recommendation [133.8758914874593]
  ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。 浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。 本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
  論文  参考訳（メタデータ） (2022-04-02T03:23:46Z)
• Sequential Recommendation via Stochastic Self-Attention [68.52192964559829]
  Transformerベースのアプローチでは、アイテムをベクトルとして埋め込んで、ドット積の自己アテンションを使用してアイテム間の関係を測定する。 本稿では,これらの問題を克服するための新しいtextbfStochastic textbfSelf-textbfAttention (STOSA) を提案する。 我々は、アイテムと項目の位置関係を列で特徴づける新しいワッサースタイン自己保持モジュールを考案した。
  論文  参考訳（メタデータ） (2022-01-16T12:38:45Z)

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。