論文の概要: Mixed Attention Network for Cross-domain Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2311.08272v1
• Date: Tue, 14 Nov 2023 16:07:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-15 13:24:00.998481
• Title: Mixed Attention Network for Cross-domain Sequential Recommendation
• Title（参考訳）: クロスドメインシーケンスレコメンデーションのための混合注意ネットワーク
• Authors: Guanyu Lin, Chen Gao, Yu Zheng, Jianxin Chang, Yanan Niu, Yang Song, Kun Gai, Zhiheng Li, Depeng Jin, Yong Li, Meng Wang
• Abstract要約: ドメイン固有・クロスドメイン情報を抽出するために,ローカル・グローバル・アテンション・モジュールを用いた混在注意ネットワーク(MAN)を提案する。 2つの実世界のデータセットに対する実験結果から,提案モデルの有効性が示された。
• 参考スコア（独自算出の注目度）: 63.983590953727386
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In modern recommender systems, sequential recommendation leverages chronological user behaviors to make effective next-item suggestions, which suffers from data sparsity issues, especially for new users. One promising line of work is the cross-domain recommendation, which trains models with data across multiple domains to improve the performance in data-scarce domains. Recent proposed cross-domain sequential recommendation models such as PiNet and DASL have a common drawback relying heavily on overlapped users in different domains, which limits their usage in practical recommender systems. In this paper, we propose a Mixed Attention Network (MAN) with local and global attention modules to extract the domain-specific and cross-domain information. Firstly, we propose a local/global encoding layer to capture the domain-specific/cross-domain sequential pattern. Then we propose a mixed attention layer with item similarity attention, sequence-fusion attention, and group-prototype attention to capture the local/global item similarity, fuse the local/global item sequence, and extract the user groups across different domains, respectively. Finally, we propose a local/global prediction layer to further evolve and combine the domain-specific and cross-domain interests. Experimental results on two real-world datasets (each with two domains) demonstrate the superiority of our proposed model. Further study also illustrates that our proposed method and components are model-agnostic and effective, respectively. The code and data are available at https://github.com/Guanyu-Lin/MAN.
• Abstract（参考訳）: 現代のレコメンデーションシステムにおいて、シーケンシャルなレコメンデーションは、特に新規ユーザーにとって、データ空間の問題に悩まされる、時系列的ユーザ行動を利用して、効果的な次項目の提案を行う。 有望な作業の1つはクロスドメインレコメンデーションであり、複数のドメインにまたがるデータでモデルをトレーニングし、データスカースドメインのパフォーマンスを改善する。 近年提案されている、PiNetやDASLのようなクロスドメインシーケンシャルなレコメンデーションモデルでは、異なるドメインの重複したユーザに大きく依存する共通の欠点がある。 本稿では,ドメイン固有情報とクロスドメイン情報を抽出するために,ローカル・グローバル・アテンション・モジュールを備えたMixed Attention Network(MAN)を提案する。 まず、ドメイン固有/クロスドメインシーケンシャルパターンをキャプチャするローカル/グローバルエンコーディング層を提案する。 そこで本研究では,各ドメインにまたがるユーザグループを抽出し,各ドメインにまたがるユーザグループを抽出し,商品類似度,シーケンス融合注意度,グループプロトタイプ注意度を混合した注目層を提案する。 最後に、ドメイン固有の関心とドメイン間の関心をさらに発展させ、組み合わせるためのローカル/グローバルな予測層を提案する。 2つの実世界のデータセット(それぞれ2つの領域を持つ)の実験結果から,提案モデルの有効性が示された。 さらに,提案手法とコンポーネントは,それぞれモデルに依存しない,有効であることを示す。 コードとデータはhttps://github.com/Guanyu-Lin/MANで公開されている。

関連論文リスト

• 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)
• Exploiting Graph Structured Cross-Domain Representation for Multi-Domain Recommendation [71.45854187886088]
  マルチドメインレコメンデータシステムは、クロスドメイン表現学習とポジティブな知識伝達の恩恵を受ける。 我々はMAGRecと呼ばれる手法のコンテキスト情報として時間的ドメイン内相互作用とドメイン間相互作用を用いる。 我々は、MAGRecが最先端の手法を一貫して上回る様々なシナリオで、公開データセットで実験を行う。
  論文  参考訳（メタデータ） (2023-02-12T19:51:32Z)
• Cross-domain recommendation via user interest alignment [20.387327479445773]
  クロスドメインレコメンデーションは、複数のドメインからの知識を活用して、従来のレコメンデーションシステムにおけるデータの分散性とコールドスタートの問題を軽減することを目的としている。 このアプローチの一般的な実践は、各ドメインに個別にユーザ埋め込みをトレーニングし、それらを平易な方法で集約することです。 本稿では,2つのドメインの推薦性能を改善するために,新しいドメイン間推薦フレームワークであるCOASTを提案する。
  論文  参考訳（メタデータ） (2023-01-26T23:54:41Z)
• 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)
• RecGURU: Adversarial Learning of Generalized User Representations for Cross-Domain Recommendation [19.61356871656398]
  ドメイン間のレコメンデーションは、従来のシーケンシャルなレコメンデーションシステムにおけるデータスパリティの問題を軽減するのに役立つ。 本稿では,ドメイン間のユーザ情報を逐次レコメンデーションに組み込んだ汎用ユーザ表現(GUR)を生成するためのRecGURUアルゴリズムフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-19T08:41:06Z)
• Dual Attentive Sequential Learning for Cross-Domain Click-Through Rate Prediction [76.98616102965023]
  クロスドメインレコメンダシステムは、コールドスタートとスパシティの問題に対処するための強力な方法である。 本稿では,二元学習機構に基づくクロスドメインシーケンシャルなレコメンデーション手法を提案する。
  論文  参考訳（メタデータ） (2021-06-05T01:21:21Z)
• Transfer Learning via Contextual Invariants for One-to-Many Cross-Domain Recommendation [19.106717948585445]
  我々は、クロスドメイン学習のためのスケーラブルなニューラルネットワーク層トランスファーアプローチを開発した。 我々の重要な直感は、高密度領域とスパース領域で共有されるドメイン不変成分によるニューラルコラボレーティブフィルタリングを導くことです。 2つのパブリックデータセットと、Visaの大規模トランザクションデータセットに対して、我々のアプローチの有効性とスケーラビリティを示す。
  論文  参考訳（メタデータ） (2020-05-21T05:51:15Z)
• Universal-RCNN: Universal Object Detector via Transferable Graph R-CNN [117.80737222754306]
  我々はUniversal-RCNNと呼ばれる新しいユニバーサルオブジェクト検出器を提案する。 まず、すべてのカテゴリの高レベルなセマンティック表現を統合することで、グローバルなセマンティックプールを生成する。 ドメイン内推論モジュールは、空間認識GCNによってガイドされる1つのデータセット内のスパースグラフ表現を学習し、伝播する。
  論文  参考訳（メタデータ） (2020-02-18T07:57:45Z)

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。