論文の概要: Towards Open-world Cross-Domain Sequential Recommendation: A
Model-Agnostic Contrastive Denoising Approach
- arxiv url: http://arxiv.org/abs/2311.04760v2
- Date: Thu, 23 Nov 2023 09:12:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-28 02:23:48.822735
- Title: Towards Open-world Cross-Domain Sequential Recommendation: A
Model-Agnostic Contrastive Denoising Approach
- Title(参考訳): オープンワールドにおけるクロスドメインシークエンシャルレコメンデーション:モデルに依存しないコントラシブデノイングアプローチ
- Authors: Wujiang Xu, Xuying Ning, Wenfang Lin, Mingming Ha, Qiongxu Ma,
Qianqiao Liang, Xuewen Tao, Linxun Chen, Bing Han, Minnan Luo
- Abstract要約: クロスドメインシーケンシャルレコメンデーション(CDSR)は、従来のシーケンシャルレコメンデーション(SR)システムに存在するデータ空間の問題に対処することを目的としている。
現実世界のレコメンデーションシステムでは、CDSRシナリオは通常、疎い振る舞いを持つ長い尾を持つユーザーの大多数と、一つのドメインにしか存在しないコールドスタートユーザーで構成される。
- 参考スコア(独自算出の注目度): 16.630686688097967
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cross-domain sequential recommendation (CDSR) aims to address the data
sparsity problems that exist in traditional sequential recommendation (SR)
systems.
The existing approaches aim to design a specific cross-domain unit that can
transfer and propagate information across multiple domains by relying on
overlapping users with abundant behaviors. However, in real-world recommender
systems, CDSR scenarios usually consist of a majority of long-tailed users with
sparse behaviors and cold-start users who only exist in one domain. This leads
to a drop in the performance of existing CDSR methods in the real-world
industry platform. Therefore, improving the consistency and effectiveness of
models in open-world CDSR scenarios is crucial for constructing CDSR models
(\textit{1st} CH). Recently, some SR approaches have utilized auxiliary
behaviors to complement the information for long-tailed users. However, these
multi-behavior SR methods cannot deliver promising performance in CDSR, as they
overlook the semantic gap between target and auxiliary behaviors, as well as
user interest deviation across domains (\textit{2nd} CH).
- Abstract(参考訳): クロスドメインシーケンシャルレコメンデーション(CDSR)は、従来のシーケンシャルレコメンデーション(SR)システムに存在するデータ空間の問題に対処することを目的としている。
既存手法は,複数のドメインにまたがって情報を伝達・伝播する特定のクロスドメインユニットを設計することを目的としている。
しかし、現実のレコメンデーションシステムでは、CDSRシナリオは通常、疎い振る舞いを持つ長い尾を持つユーザーの大多数と、一つのドメインにしか存在しないコールドスタートユーザーから構成される。
これにより、現実世界の業界プラットフォームにおける既存のCDSRメソッドのパフォーマンスが低下する。
したがって、オープンワールドCDSRシナリオにおけるモデルの一貫性と有効性を改善することは、CDSRモデルを構築する上で重要である(\textit{1st} CH)。
近年,SR手法のいくつかは,長期使用者の情報を補完する補助行動を利用している。
しかし、これらのマルチビヘイビアSR法は、ターゲットと補助動作のセマンティックなギャップや、ドメイン間のユーザ関心の偏り(\textit{2nd} CH)を見落としているため、CDSRにおいて有望な性能をもたらすことはできない。
関連論文リスト
- Breaking Determinism: Fuzzy Modeling of Sequential Recommendation Using Discrete State Space Diffusion Model [66.91323540178739]
シークエンシャルレコメンデーション(SR)は、ユーザーが過去の行動に基づいて興味を持つかもしれない項目を予測することを目的としている。
我々はSRを新しい情報理論の観点から再検討し、逐次モデリング手法がユーザの行動のランダム性と予測不可能性を適切に把握できないことを発見した。
ファジィ情報処理理論に触発された本論文では,制限を克服し,ユーザの関心事の進化をよりよく捉えるために,ファジィなインタラクションシーケンスの組を導入する。
論文 参考訳(メタデータ) (2024-10-31T14:52:01Z) - Cross-Domain Sequential Recommendation via Neural Process [9.01082886458853]
Cross-Domain Sequential Recommendation (CDSR)は、シーケンスベースのユーザ関心モデリングにおいてホットなトピックである。
オーバーラップしないユーザの行動の可能性を解き明かし、CDSRを強化する方法を示す。
論文 参考訳(メタデータ) (2024-10-17T14:22:57Z) - Pacer and Runner: Cooperative Learning Framework between Single- and Cross-Domain Sequential Recommendation [25.228420612022788]
クロスドメインシークエンシャルレコメンデーション(CDSR)は、複数のドメインの情報を活用することでレコメンデーションパフォーマンスを向上させる。
しかし、CDSRは、負の転送により特定の領域でSDSR(Single-Domain Sequential Recommendation)と比較して性能が劣る可能性がある。
本稿では,各領域の負の移動度を推定し,予測損失に対する重み係数として適応的に割り当てるCDSRモデルを提案する。
論文 参考訳(メタデータ) (2024-07-15T21:14:13Z) - Exploring User Retrieval Integration towards Large Language Models for Cross-Domain Sequential Recommendation [66.72195610471624]
Cross-Domain Sequential Recommendationは、異なるドメイン間でユーザのシーケンシャルな好みをマイニングし、転送することを目的としている。
本稿では,ユーザ検索手法を探索し,CDSRの性能向上を目的とした URLLM という新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2024-06-05T09:19:54Z) - Information Maximization via Variational Autoencoders for Cross-Domain Recommendation [26.099908029810756]
我々は、情報最大化変分オートエンコーダ(textbftextttIM-VAE)という新しいCDSRフレームワークを導入する。
ここでは、下流の細粒度CDSRモデルに対するユーザのインタラクション履歴入力を強化するために擬似シーケンス生成器を提案する。
我々の知る限りでは、オープンワールドレコメンデーションシナリオにおける擬似シーケンスの情報のゆがみとデノベーションを考慮に入れた最初のCDSR作品である。
論文 参考訳(メタデータ) (2024-05-31T09:07:03Z) - FedDCSR: Federated Cross-domain Sequential Recommendation via
Disentangled Representation Learning [17.497009723665116]
本稿では,不整合表現学習を用いたクロスドメインシーケンシャルレコメンデーションフレームワークであるFedDCSRを提案する。
本稿では,SRD(Inter-Intra Domain Sequence Expression Disentanglement)と呼ばれるアプローチを導入し,ユーザシークエンス機能をドメイン共有およびドメイン排他的特徴に分解する。
さらに、ユーザシーケンス上でデータ拡張を行うことで、よりリッチなドメイン排他的特徴を学習するためのドメイン内コントラッシブインフォマックス(CIM)戦略を設計する。
論文 参考訳(メタデータ) (2023-09-15T14:23:20Z) - A cross-domain recommender system using deep coupled autoencoders [77.86290991564829]
クロスドメインレコメンデーションのために2つの新しい結合型オートエンコーダに基づくディープラーニング手法を提案する。
最初の方法は、ソースドメインとターゲットドメイン内のアイテムの固有表現を明らかにするために、一対のオートエンコーダを同時に学習することを目的としている。
第2の方法は,2つのオートエンコーダを用いてユーザとアイテム待ち行列を深く非線形に生成する,新たな共同正規化最適化問題に基づいて導出する。
論文 参考訳(メタデータ) (2021-12-08T15:14:26Z) - Dual Metric Learning for Effective and Efficient Cross-Domain
Recommendations [85.6250759280292]
クロスドメインレコメンダーシステムは、消費者が異なるアプリケーションで有用なアイテムを識別するのを助けるためにますます価値があります。
既存のクロスドメインモデルは、通常、多くのオーバーラップユーザーを必要とするため、いくつかのアプリケーションでは取得が困難である。
本稿では,2つのドメイン間で情報を反復的に伝達する二元学習に基づく新しいクロスドメインレコメンデーションモデルを提案する。
論文 参考訳(メタデータ) (2021-04-17T09:18:59Z) - Learning Domain Invariant Representations for Generalizable Person
Re-Identification [71.35292121563491]
ReID(Generalizable person Re-Identification)は、最近のコンピュータビジョンコミュニティで注目を集めている。
DIR-ReID(Domain Invariant Representations for Generalizable Person Re-Identification)という新しい一般化フレームワークを提案する。
論文 参考訳(メタデータ) (2021-03-29T18:59:48Z) - A Deep Framework for Cross-Domain and Cross-System Recommendations [18.97641276417075]
CDR(Cross-Domain Recommendation)とCSR(Cross-System Recommendation)は、レコメンダシステムにおけるデータ空間の問題に対処する、有望なソリューションである。
本稿では,行列因子化(MF)モデルと完全接続型ディープニューラルネットワーク(DNN)に基づく,DCDCSRと呼ばれるクロスドメインおよびクロスシステムレコメンデーションのためのディープフレームワークを提案する。
論文 参考訳(メタデータ) (2020-09-14T06:11:17Z) - Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal
Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
個人再識別のための教師なし領域適応手法を提案する。
実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
論文 参考訳(メタデータ) (2020-01-14T17:43:52Z)
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。