論文の概要: AutoSAM: Towards Automatic Sampling of User Behaviors for Sequential Recommender Systems

• arxiv url: http://arxiv.org/abs/2311.00388v3
• Date: Thu, 02 Jan 2025 15:19:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-03 14:33:00.739573
• Title: AutoSAM: Towards Automatic Sampling of User Behaviors for Sequential Recommender Systems
• Title（参考訳）: AutoSAM:シークエンシャルリコメンダシステムにおけるユーザ行動の自動サンプリングに向けて
• Authors: Hao Zhang, Mingyue Cheng, Qi Liu, Zhiding Liu, Junzhe Jiang, Enhong Chen,
• Abstract要約: 本稿では,歴史的挙動を一様に扱わない汎用的な自動サンプリングフレームワークであるAutoSAMを提案する。 具体的には、AutoSAMは、サンプル層を追加して標準のシーケンシャルレコメンデーションアーキテクチャを拡張し、生入力のスキュー分布を適応的に学習する。 理論的には、Future PredictionやSequence Perplexityなどの多目的サンプリング報酬を設計し、フレームワーク全体をエンドツーエンドで最適化する。
• 参考スコア（独自算出の注目度）: 48.461157194277504
• License:
• Abstract: Sequential recommender systems (SRS) have gained widespread popularity in recommendation due to their ability to effectively capture dynamic user preferences. One default setting in the current SRS is to uniformly consider each historical behavior as a positive interaction. Actually, this setting has the potential to yield sub-optimal performance, as each item makes a distinct contribution to the user's interest. For example, purchased items should be given more importance than clicked ones. Hence, we propose a general automatic sampling framework, named AutoSAM, to non-uniformly treat historical behaviors. Specifically, AutoSAM augments the standard sequential recommendation architecture with an additional sampler layer to adaptively learn the skew distribution of the raw input, and then sample informative sub-sets to build more generalizable SRS. To overcome the challenges of non-differentiable sampling actions and also introduce multiple decision factors for sampling, we further introduce a novel reinforcement learning based method to guide the training of the sampler. We theoretically design multi-objective sampling rewards including Future Prediction and Sequence Perplexity, and then optimize the whole framework in an end-to-end manner by combining the policy gradient. We conduct extensive experiments on benchmark recommender models and four real-world datasets. The experimental results demonstrate the effectiveness of the proposed approach. We will make our code publicly available after the acceptance.
• Abstract（参考訳）: シーケンシャル・レコメンデータ・システム(SRS)は、動的ユーザの好みを効果的に捉える能力によって、推薦によって広く普及している。 現在のSRSにおけるデフォルト設定の1つは、それぞれの歴史的な振る舞いを肯定的な相互作用として均一に考えることである。 実際、この設定は、各項目がユーザの興味に明確な貢献をするので、サブ最適パフォーマンスをもたらす可能性がある。 例えば、購入したアイテムはクリックしたアイテムよりも重要である。 そこで本稿では,歴史的挙動を一様に扱わない汎用的な自動サンプリングフレームワークであるAutoSAMを提案する。 具体的には、AutoSAMは標準のシーケンシャルレコメンデーションアーキテクチャを追加のサンプル層で拡張し、生入力のスキュー分布を適応的に学習し、次にサンプル情報サブセットを使用してより一般化可能なSRSを構築する。 そこで,本研究では,非微分型サンプリング動作の課題を克服し,サンプリングのための複数の決定要因を導入するために,サンプルのトレーニングをガイドする新たな強化学習手法を提案する。 理論的には、将来予測やシーケンスパープレキシティを含む多目的サンプリング報酬を設計し、その後、ポリシー勾配を組み合わせることで、エンドツーエンドでフレームワーク全体を最適化する。 ベンチマークレコメンデータモデルと4つの実世界のデータセットについて広範な実験を行う。 実験の結果,提案手法の有効性が示された。 受理後、コードを公開します。

関連論文リスト

• Preference-Guided Reflective Sampling for Aligning Language Models [27.69410513313001]
  反復データ生成とモデル再訓練は、大きな言語モデル(LLM)を人間の好みに効果的に合わせることができる。 本研究では,PRS(Preference-Guided Reflective Smpling)を提案する。 ランダムサンプリングとは異なり、PSSはより効率的なサンプリングを可能にするためにツリーベースの生成フレームワークを使用している。 PRSは、反復的なオフラインRLトレーニングに適用した場合、高いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-08-22T07:18:46Z)
• Federated Privacy-preserving Collaborative Filtering for On-Device Next App Prediction [52.16923290335873]
  本稿では,モバイルデバイス使用時の次のアプリの起動を予測するための新しいSeqMFモデルを提案する。 古典行列分解モデルの構造を修正し、学習手順を逐次学習に更新する。 提案手法のもうひとつの要素は,ユーザからリモートサーバへの送信データの保護を保証する,新たなプライバシメカニズムである。
  論文  参考訳（メタデータ） (2023-02-05T10:29:57Z)
• Sampling Through the Lens of Sequential Decision Making [9.101505546901999]
  我々はアダプティブ・サンプル・ウィズ・リワード(ASR)と呼ばれる報酬誘導型サンプリング戦略を提案する。 提案手法は,サンプリング過程を最適に調整し,最適性能を実現する。 情報検索とクラスタリングの実証的な結果は、異なるデータセット間でのASRのスーパーブパフォーマンスを示している。
  論文  参考訳（メタデータ） (2022-08-17T04:01:29Z)
• Generating Negative Samples for Sequential Recommendation [83.60655196391855]
  逐次レコメンデーション(SR)のための負のサンプル(イテム)を生成することを提案する。 アイテムに対する現在のSRモデルの学習されたユーザの好みに基づいて、各タイムステップで負の項目をサンプリングする。 4つの公開データセットの実験は、SRに高品質な負のサンプルを提供することの重要性を検証する。
  論文  参考訳（メタデータ） (2022-08-07T05:44:13Z)
• Top-N Recommendation with Counterfactual User Preference Simulation [26.597102553608348]
  ユーザーランキングに基づく好みの学習を目的としたTop-Nレコメンデーションは、長い間、広範囲のアプリケーションにおいて基本的な問題だった。 本稿では,データ不足問題に対処するため,因果推論フレームワーク内での推薦タスクの再構築を提案する。
  論文  参考訳（メタデータ） (2021-09-02T14:28:46Z)
• A Case Study on Sampling Strategies for Evaluating Neural Sequential Item Recommendation Models [69.32128532935403]
  負の項目をサンプリングする2つのよく知られた戦略は、一様ランダムサンプリングと人気によるサンプリングである。 我々は、現在最先端のシーケンシャルレコメンデータモデルを再評価する。 いずれのサンプリング戦略も,モデルの完全なランキングと比較すると,一貫性のないランキングを生成できることがわかった。
  論文  参考訳（メタデータ） (2021-07-27T19:06:03Z)
• Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback based Recommendation [59.183016033308014]
  本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。 提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
  論文  参考訳（メタデータ） (2021-05-16T08:06:22Z)
• Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
  逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。 当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
  論文  参考訳（メタデータ） (2020-05-21T12:28:59Z)

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。