論文の概要: SR-PredictAO: Session-based Recommendation with High-Capability
Predictor Add-On
- arxiv url: http://arxiv.org/abs/2309.12218v1
- Date: Wed, 20 Sep 2023 14:59:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-22 14:18:16.140494
- Title: SR-PredictAO: Session-based Recommendation with High-Capability
Predictor Add-On
- Title(参考訳): SR-PredictAO:高機能予測器アドオンによるセッションベース勧告
- Authors: Ruida Wang, Raymond Chi-Wing Wong, Weile Tan
- Abstract要約: セッションベースのレコメンデーションは、ランダムなユーザの振る舞いが存在する場合のみ、単一のセッションの情報に基づいて、ユーザの次の項目のクリックを予測することを目的としている。
EmphunderlineSession-based UnderlineRecommendation with UnderlinePredictor UnderlineAdd-underlineOn (SR-PredictAO) という新しいフレームワークを提案する。
- 参考スコア(独自算出の注目度): 19.588391290738574
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Session-based recommendation, aiming at making the prediction of the user's
next item click based on the information in a single session only even in the
presence of some random user's behavior, is a complex problem. This complex
problem requires a high-capability model of predicting the user's next action.
Most (if not all) existing models follow the encoder-predictor paradigm where
all studies focus on how to optimize the encoder module extensively in the
paradigm but they ignore how to optimize the predictor module. In this paper,
we discover the existing critical issue of the low-capability predictor module
among existing models. Motivated by this, we propose a novel framework called
\emph{\underline{S}ession-based \underline{R}ecommendation with
\underline{Pred}ictor \underline{A}dd-\underline{O}n} (SR-PredictAO). In this
framework, we propose a high-capability predictor module which could alleviate
the effect of random user's behavior for prediction. It is worth mentioning
that this framework could be applied to any existing models, which could give
opportunities for further optimizing the framework. Extensive experiments on
two real benchmark datasets for three state-of-the-art models show that
\emph{SR-PredictAO} out-performs the current state-of-the-art model by up to
2.9\% in HR@20 and 2.3\% in MRR@20. More importantly, the improvement is
consistent across almost all the existing models on all datasets, which could
be regarded as a significant contribution in the field.
- Abstract(参考訳): セッションベースのレコメンデーションでは,ランダムなユーザ行動が存在する場合にのみ,単一のセッションの情報に基づいて次の項目のクリックを予測できるようにすることが,複雑な問題である。
この複雑な問題は、ユーザの次のアクションを予測する高機能モデルを必要とする。
すべての研究において、エンコーダモジュールをパラダイム内で広範囲に最適化する方法に重点を置いているが、予測モジュールの最適化方法については無視されている。
本稿では,既存モデルにおける低能力予測モジュールの問題点を明らかにする。
そこで,本研究では, \emph{\underline{S}ession-based \underline{R}ecommendation with \underline{Pred}ictor \underline{A}dd-\underline{O}n} (SR-PredictAO) という新しいフレームワークを提案する。
本稿では,ランダムなユーザの振る舞いが予測に与える影響を緩和できる高機能予測モジュールを提案する。
このフレームワークが既存のモデルにも適用可能であり、フレームワークをさらに最適化する機会を与えてくれる点に注意が必要だ。
3つの最先端モデルのための2つの実ベンチマークデータセットに対する大規模な実験により、 \emph{SR-PredictAO}はHR@20では2.9\%、MRR@20では2.3\%まで、現在の最先端モデルを上回っている。
さらに重要なのは、この改善はすべてのデータセットにある既存のほぼすべてのモデルに一貫したものであり、この分野における重要な貢献と見なすことができる。
関連論文リスト
- SmartRefine: A Scenario-Adaptive Refinement Framework for Efficient Motion Prediction [37.461695201579914]
我々は,最小限の計算量で予測を洗練するために,SmartRefineというシナリオ適応型改良戦略を導入する。
SmartRefineは汎用的で柔軟なアプローチとして設計されており、ほとんどの最先端のモーション予測モデルにシームレスに統合することができる。
QCNetにSmartRefineを追加することで、提出時にArgoverse 2のリーダーボード(シングルエージェントトラック)で、すべてのアンサンブルフリーの作品をパフォーマンスします。
論文 参考訳(メタデータ) (2024-03-18T05:53:20Z) - Predictive Churn with the Set of Good Models [64.05949860750235]
近似機械学習モデルの集合に対する競合予測の効果について検討する。
ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。
当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
論文 参考訳(メタデータ) (2024-02-12T16:15:25Z) - Consensus-Adaptive RANSAC [104.87576373187426]
本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。
注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
論文 参考訳(メタデータ) (2023-07-26T08:25:46Z) - Performative Prediction with Bandit Feedback: Learning through
Reparameterization [25.169419772432796]
本研究では,データ分散の関数として性能予測を再パラメータ化するフレームワークを開発する。
提案手法は, モデルパラメータの次元にのみ含まれる, 実演用サンプルの総数に準線形な後悔境界を与える。
アプリケーション側では、YouTubeやTokTokのような大規模オンラインレコメンデーションシステムに有効な方法だと考えています。
論文 参考訳(メタデータ) (2023-05-01T21:31:29Z) - HYPRO: A Hybridly Normalized Probabilistic Model for Long-Horizon
Prediction of Event Sequences [7.149677544861951]
本稿では,ハイブリッド正規化確率モデルHYPROを提案する。
複数の実世界のデータセットに対する実験により、提案したHYPROモデルが従来のモデルよりも大幅に優れていることが示された。
論文 参考訳(メタデータ) (2022-10-04T17:18:26Z) - MQRetNN: Multi-Horizon Time Series Forecasting with Retrieval
Augmentation [1.8692254863855964]
マルチホライゾン確率的時系列予測は、需要予測のような現実世界のタスクに広く適用可能である。
ニューラルネットワークの時系列予測における最近の研究は、主にSeq2Seqアーキテクチャの使用に焦点を当てている。
本稿では,クロスエンタリティ情報を導入してモデル性能を向上させることを目的として,クロスエンタリティアテンション機構と,どのエンティティを参加させるかを選択する検索機構を提案する。
論文 参考訳(メタデータ) (2022-07-21T14:51:58Z) - Meta-Wrapper: Differentiable Wrapping Operator for User Interest
Selection in CTR Prediction [97.99938802797377]
クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。
近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。
そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
論文 参考訳(メタデータ) (2022-06-28T03:28:15Z) - A Graph-Enhanced Click Model for Web Search [67.27218481132185]
ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。
セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
論文 参考訳(メタデータ) (2022-06-17T08:32:43Z) - Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。
このアプローチは多くの実装と最適化の課題をもたらします。
提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
論文 参考訳(メタデータ) (2021-03-18T14:26:26Z) - Three Steps to Multimodal Trajectory Prediction: Modality Clustering,
Classification and Synthesis [54.249502356251085]
我々は新しい予測フレームワークと共に新しい洞察を示す。
提案手法は、社会情報や地図情報を導入することなく、最先端の作品を超える。
論文 参考訳(メタデータ) (2021-03-14T06:21:03Z)
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。