論文の概要: Cold-start Bundle Recommendation via Popularity-based Coalescence and Curriculum Heating

• arxiv url: http://arxiv.org/abs/2310.03813v3
• Date: Sun, 10 Mar 2024 05:13:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-13 16:00:35.723140
• Title: Cold-start Bundle Recommendation via Popularity-based Coalescence and Curriculum Heating
• Title（参考訳）: 人気度に基づく合理化とカリキュラム加熱によるコールドスタートバンドルレコメンデーション
• Authors: Hyunsik Jeon, Jong-eun Lee, Jeongin Yun, U Kang
• Abstract要約: 既存のコールドスタートアイテムレコメンデーションの方法は、バンドルに簡単には適用できない。 我々はコールドスタートバンドルレコメンデーションのための正確なアプローチであるCoHeatを提案する。 CoHeatはコールドスタートバンドルレコメンデーションにおいて優れたパフォーマンスを示しており、最高の競合相手に比べて193%高いnDCG@20を実現している。
• 参考スコア（独自算出の注目度）: 16.00757636715368
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: How can we recommend cold-start bundles to users? The cold-start problem in bundle recommendation is crucial because new bundles are continuously created on the Web for various marketing purposes. Despite its importance, existing methods for cold-start item recommendation are not readily applicable to bundles. They depend overly on historical information, even for less popular bundles, failing to address the primary challenge of the highly skewed distribution of bundle interactions. In this work, we propose CoHeat (Popularity-based Coalescence and Curriculum Heating), an accurate approach for cold-start bundle recommendation. CoHeat first represents users and bundles through graph-based views, capturing collaborative information effectively. To estimate the user-bundle relationship more accurately, CoHeat addresses the highly skewed distribution of bundle interactions through a popularity-based coalescence approach, which incorporates historical and affiliation information based on the bundle's popularity. Furthermore, it effectively learns latent representations by exploiting curriculum learning and contrastive learning. CoHeat demonstrates superior performance in cold-start bundle recommendation, achieving up to 193% higher nDCG@20 compared to the best competitor.
• Abstract（参考訳）: ユーザに対して、どのようにコールドスタートバンドルを推奨すればよいか? バンドルレコメンデーションのコールドスタート問題は、さまざまなマーケティング目的でweb上で新しいバンドルが継続的に作成されるため、重要である。 その重要性にもかかわらず、既存のコールドスタートアイテムレコメンデーションのメソッドはバンドルに簡単に適用できない。 それらは歴史的情報に過度に依存するが、あまり人気のないバンドルでさえ、バンドル相互作用の非常に歪んだ分布の第一の課題に対処できない。 本研究では,コールドスタートバンドルの推奨に対する正確なアプローチであるCoHeat (Popularity-based Coalescence and Curriculum Heating)を提案する。 CoHeatはまず、グラフベースのビューを通じてユーザとバンドルを表現し、協調情報を効果的にキャプチャする。 ユーザとバンドルの関係をより正確に推定するために、CoHeatは、バンドルの人気に基づく履歴情報とアフィリエイト情報を含む人気に基づく合理化アプローチを通じて、バンドル間の相互作用の高度に歪んだ分布に対処する。 さらに,カリキュラム学習やコントラスト学習を利用して,潜在表現を効果的に学習する。 CoHeatはコールドスタートバンドルレコメンデーションにおいて優れたパフォーマンスを示しており、最高の競合相手に比べて193%高いnDCG@20を実現している。

関連論文リスト

• Online Item Cold-Start Recommendation with Popularity-Aware Meta-Learning [14.83192161148111]
  本稿では,アイテムコールドスタート問題に対処するために,Popularity-Aware Meta-learning (PAM) と呼ばれるモデルに依存しない推薦アルゴリズムを提案する。 PAMは、入力データを予め定義されたアイテム人気閾値によって異なるメタ学習タスクに分割する。 これらのタスク修正設計により、オフラインメソッドと比較して計算とストレージコストが大幅に削減される。
  論文  参考訳（メタデータ） (2024-11-18T01:30:34Z)
• Graph Neural Patching for Cold-Start Recommendations [16.08395433358279]
  コールドスタートレコメンデーション(GNP)のためのグラフニューラルパッチについて紹介する。 GNPは2つの機能を持つカスタマイズされたGNNフレームワークである。GWarmerは、既存の温かいユーザ/イベントの協調シグナルをモデリングし、Patching Networksは、GWarmerのコールドスタートレコメンデーションのパフォーマンスをシミュレートし、拡張する。 3つのベンチマークデータセットに対する大規模な実験は、温かみと寒さの両方のユーザ/イテムを推奨するGNPの優位性を確認している。
  論文  参考訳（メタデータ） (2024-10-18T07:44:12Z)
• Firzen: Firing Strict Cold-Start Items with Frozen Heterogeneous and Homogeneous Graphs for Recommendation [34.414081170244955]
  厳密なコールドスタートとウォームスタートのレコメンデーションを解決するために,項目と知識グラフのマルチモーダルコンテンツ(KG)を統合した統合フレームワークを提案する。 我々のモデルでは,厳密なコールドスタート勧告と,ウォームスタートシナリオにおける最先端性能に適合する性能の向上が期待できる。
  論文  参考訳（メタデータ） (2024-10-10T06:48:27Z)
• Graph Collaborative Signals Denoising and Augmentation for Recommendation [75.25320844036574]
  ユーザ・ユーザ・項目間の相関を組み込んだグラフ隣接行列を提案する。 ユーザ・ユーザ・イテム相関と項目・イテム相関が組み合わさることで,豊富なインタラクションと不十分なインタラクションを持つユーザのレコメンデーションが向上することを示す。
  論文  参考訳（メタデータ） (2023-04-06T19:43:37Z)
• GPatch: Patching Graph Neural Networks for Cold-Start Recommendations [20.326139541161194]
  コールドスタートはレコメンデータシステムにおいて不可欠で永続的な問題です。 最先端のソリューションは、コールドスタートと既存のユーザ/イテムの両方のためのハイブリッドモデルのトレーニングに依存しています。 本稿では,2つの別個のコンポーネントを含むGNNベースのフレームワーク(GPatch)を提案する。
  論文  参考訳（メタデータ） (2022-09-25T13:16:39Z)
• Price DOES Matter! Modeling Price and Interest Preferences in Session-based Recommendation [55.0391061198924]
  セッションベースのレコメンデーションは、匿名ユーザが自分の短い行動シーケンスに基づいて購入したいアイテムを予測することを目的としている。 セッションベースのレコメンデーションの価格設定を組み込むのは簡単ではない。 セッションベースレコメンデーションのためのCoHHN(Co-guided Heterogeneous Hypergraph Network)を提案する。
  論文  参考訳（メタデータ） (2022-05-09T10:47:15Z)
• Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
  コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。 MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
  論文  参考訳（メタデータ） (2021-10-18T08:11:24Z)
• Privileged Graph Distillation for Cold Start Recommendation [57.918041397089254]
  レコメンデーションシステムにおけるコールドスタートの問題は、歴史的相互作用の記録のない属性に基づいて新しいユーザー(イテム)に推奨することである。 特権グラフ蒸留モデル(PGD)を提案する。 提案手法は,新規ユーザ,新規ユーザ,新規ユーザを対象とする異なるコールドスタートシナリオに適用可能である。
  論文  参考訳（メタデータ） (2021-05-31T14:05:27Z)
• Cold-start Sequential Recommendation via Meta Learner [10.491428090228768]
  本研究では,逐次推薦における項目コールドスタート問題を軽減するために,メタラーニングに基づくコールドスタートシーケンシャルレコメンデーションフレームワーク,mecosを提案する。 mecosは限られたインタラクションからユーザの好みを効果的に抽出し、ターゲットのコールドスタートアイテムと潜在的なユーザとのマッチングを学ぶ。
  論文  参考訳（メタデータ） (2020-12-10T05:23:13Z)
• Joint Training Capsule Network for Cold Start Recommendation [64.35879555545749]
  本稿では,コールドスタート推薦タスクのための新しいニューラルネットワーク,ジョイントトレーニングカプセルネットワーク(JTCN)を提案する。 低レベルのインタラクション履歴から高レベルのユーザ嗜好を集約するために、注意深いカプセル層を提案する。 2つの公開データセットの実験では、提案モデルの有効性が示されている。
  論文  参考訳（メタデータ） (2020-05-23T04:27:38Z)
• Bundle Recommendation with Graph Convolutional Networks [71.95344006365914]
  既存のソリューションは、モデルパラメータを共有したり、マルチタスクで学習することで、ユーザーと対話モデリングをバンドルレコメンデーションに統合します。 本稿では,バンドルレコメンデーションのためのBGCN(textittextBFBundle textBFGraph textBFConvolutional textBFNetwork)というグラフニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2020-05-07T13:48:26Z)

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。