論文の概要: SR-PredictAO: Session-based Recommendation with High-Capability Predictor Add-On

• arxiv url: http://arxiv.org/abs/2309.12218v2
• Date: Wed, 09 Oct 2024 02:27:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-10 14:25:47.385338
• 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、単一のセッションでのみ情報に基づいて、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。 提案するフレームワークは *Session-based Recommendation with Predictor Add-On* (SR-PredictAO) である。 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。
• 参考スコア（独自算出の注目度）: 17.42894833677707
• License:
• 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 overlook how to optimize the predictor module. In this paper, we discover the critical issue of the low-capability predictor module among existing models. Motivated by this, we propose a novel framework called *Session-based Recommendation with Predictor Add-On* (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-world benchmark datasets for three state-of-the-art models show that *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, and is statistically significant, 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でも,単一のセッションの情報のみに基づいて,ユーザの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。 既存のモデルの大半(すべてではないとしても)は、エンコーダ・予測のパラダイムに従っており、全ての研究は、そのパラダイムにおいてエンコーダ・モジュールの最適化方法に重点を置いているが、彼らは予測器・モジュールの最適化方法を見落としている。 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, アクティベータ・アドオン* (SR-PredictAO) を用いた, セッションベースのレコメンデーション(Recommendation with Predictor Add-On*) 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ることは注目に値する。 3つの最先端モデルのための2つの実世界のベンチマークデータセットに対する大規模な実験によると、*SR-PredictAO*は現在の最先端モデルよりも2.9%、MRR@20は2.3%高いパフォーマンスを示している。 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ており、統計的に重要なものであり、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

• 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)
• There is No Silver Bullet: Benchmarking Methods in Predictive Combinatorial Optimization [59.27851754647913]
  予測最適化(英: Predictive optimization)は、エネルギーコストを意識したスケジューリングや広告予算配分など、多くの現実世界のアプリケーションの正確なモデリングである。 モジュールレベルでの設計選択を含む、両方のアプローチのシステマティックなベンチマークはありません。 本研究は,8ベンチマーク中7ベンチマークにおいて,PnOアプローチがPtOよりも優れていることを示すが,PnOの設計選択に銀の弾丸は見つからない。
  論文  参考訳（メタデータ） (2023-11-13T13:19:34Z)
• 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)
• Collaborative Uncertainty Benefits Multi-Agent Multi-Modal Trajectory Forecasting [39.73793468422024]
  この研究はまず、相互作用モジュールから生じる不確実性をモデル化する新しい概念であるコラボレーティブ不確実性(CU)を提案する。 我々は、回帰と不確実性推定の両方を行うために、元の置換同変不確かさ推定器を備えた一般的なCU対応回帰フレームワークを構築した。 提案するフレームワークを,プラグインモジュールとして現在のSOTAマルチエージェント軌道予測システムに適用する。
  論文  参考訳（メタデータ） (2022-07-11T21:17:41Z)
• 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)
• Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction [59.221668173521884]
  本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。 エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
  論文  参考訳（メタデータ） (2022-04-18T09:25:06Z)
• When Liebig's Barrel Meets Facial Landmark Detection: A Practical Model [87.25037167380522]
  正確で、堅牢で、効率的で、一般化可能で、エンドツーエンドのトレーニングが可能なモデルを提案する。 精度を向上させるために,2つの軽量モジュールを提案する。 DQInitは、インプットからデコーダのクエリを動的に初期化し、複数のデコーダ層を持つものと同じ精度でモデルを実現する。 QAMemは、共有するクエリではなく、それぞれのクエリに別々のメモリ値を割り当てることで、低解像度のフィーチャーマップ上のクエリの識別能力を高めるように設計されている。
  論文  参考訳（メタデータ） (2021-05-27T13:51:42Z)
• 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)
• PSD2 Explainable AI Model for Credit Scoring [0.0]
  本研究の目的は、信用リスクモデルの予測精度を向上させるための高度な分析手法の開発と試験である。 このプロジェクトは、銀行関連のデータベースに説明可能な機械学習モデルを適用することに焦点を当てている。
  論文  参考訳（メタデータ） (2020-11-20T12:12:38Z)
• A framework for probabilistic weather forecast post-processing across models and lead times using machine learning [3.1542695050861544]
  我々はNWPモデルと意思決定支援の「理想的な」予測とのギャップを埋める方法について述べる。 本研究では,各数値モデルの誤差プロファイルの学習にQuantile Regression Forestsを使用し,これを経験から得られた確率分布を予測に適用する。 第2に、これらの確率予測を量子平均化(quantile averaging)を用いて組み合わせ、第3に、集合量子化の間で補間して完全な予測分布を生成する。
  論文  参考訳（メタデータ） (2020-05-06T16:46:02Z)

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。