論文の概要: User Persona Identification and New Service Adaptation Recommendation

• arxiv url: http://arxiv.org/abs/2311.10773v1
• Date: Wed, 15 Nov 2023 22:11:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-27 00:33:33.898752
• Title: User Persona Identification and New Service Adaptation Recommendation
• Title（参考訳）: ユーザペルソナ識別と新しいサービス適応推薦
• Authors: Narges Tabari, Sandesh Swamy, Rashmi Gangadharaiah
• Abstract要約: 本稿では,Webページ上のユーザセッションから高次元軌跡情報を活用することによって,ユーザペルソナの自動識別手法を提案する。 本手法では,マスク付き言語モデリング(mlm)の目的に対して,スクラッチから学習したトランスフォーマー支援言語モデルであるSessionBERTを導入する。 その結果,SessionBERTで学習した表現はBERTベースモデルより一貫して優れていることがわかった。
• 参考スコア（独自算出の注目度）: 9.012198585960443
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Providing a personalized user experience on information dense webpages helps users in reaching their end-goals sooner. We explore an automated approach to identifying user personas by leveraging high dimensional trajectory information from user sessions on webpages. While neural collaborative filtering (NCF) approaches pay little attention to token semantics, our method introduces SessionBERT, a Transformer-backed language model trained from scratch on the masked language modeling (mlm) objective for user trajectories (pages, metadata, billing in a session) aiming to capture semantics within them. Our results show that representations learned through SessionBERT are able to consistently outperform a BERT-base model providing a 3% and 1% relative improvement in F1-score for predicting page links and next services. We leverage SessionBERT and extend it to provide recommendations (top-5) for the next most-relevant services that a user would be likely to use. We achieve a HIT@5 of 58% from our recommendation model.
• Abstract（参考訳）: 情報密度の高いウェブページ上でパーソナライズされたユーザーエクスペリエンスを提供することで、ユーザーはより早くエンドゴールに到達できる。 本稿では,Webページ上のユーザセッションから高次元軌跡情報を活用することによって,ユーザペルソナの自動識別手法を提案する。 ニューラルコラボレーティブ・フィルタリング(NCF)アプローチはトークンセマンティクスにはほとんど注意を払わないが,本手法では,ユーザ・トラジェクトリ(ページ,メタデータ,セッションの請求)に対するマスク付き言語モデリング(mlm)の目標をスクラッチからトレーニングしたトランスフォーマー支援言語モデルであるSessionBERTを導入する。 その結果、SessionBERTで学習した表現は、ページリンクと次のサービスを予測するためのF1スコアの3%と1%の相対的な改善を提供するBERTベースモデルより一貫して優れていることがわかった。 SessionBERTを活用し、それを拡張して、ユーザが使用しそうな次の最も関連性の高いサービスに対するレコメンデーション(トップ5)を提供します。 私たちは推奨モデルから58%のhit@5を達成しています。

関連論文リスト

• Enhancing User Intent Capture in Session-Based Recommendation with Attribute Patterns [77.19390850643944]
  周波数属性パターン拡張変換器(FAPAT)を提案する。 FAPATは属性遷移グラフと一致する属性パターンを構築することで、ユーザの意図を特徴づける。 FAPATは、様々な評価指標に対して平均4.5%の最先端手法を一貫して上回っていることを実証する。
  論文  参考訳（メタデータ） (2023-12-23T03:28:18Z)
• Explainable Active Learning for Preference Elicitation [0.0]
  我々は、最小限のユーザ労力で情報取得を最大化することを目的として、この問題を解決するためにアクティブラーニング(AL)を採用している。 ALは、大きなラベルのない集合から情報的データを選択して、それらをラベル付けするオラクルを問い合わせる。 ベースとなる機械学習(ML)モデルを更新するために、ユーザからのフィードバック(提示された項目に関するシステムの説明のために)を情報的なサンプルから収集する。
  論文  参考訳（メタデータ） (2023-09-01T09:22:33Z)
• Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
  逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。 しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。 したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
  論文  参考訳（メタデータ） (2022-11-17T19:00:24Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• 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)
• NxtPost: User to Post Recommendations in Facebook Groups [12.69028536073416]
  NxtPostはFacebookグループ向けのシーケンシャルレコメンデーションシステムである。 NLPの最近の進歩にインスパイアされた我々は、Transformerベースのモデルをシーケンシャルレコメンデーションの領域に適応させた。
  論文  参考訳（メタデータ） (2022-02-08T04:59:56Z)
• Prioritized Multi-Criteria Federated Learning [16.35440946424973]
  マシンラーニングのシナリオでは、モデルがサービスのユーザから来るプライベートデータでトレーニングされる必要がある場合、プライバシが重要な問題になります。 我々は,多数のクライアントに分散したプライベートデータセットに基づくMLモデルを構築する手段として,フェデレートラーニング(FL)を提案する。 中央コーディネートサーバは、クライアントによってローカルに計算された更新を受け取り、それらを集約してより良いグローバルモデルを得る。
  論文  参考訳（メタデータ） (2020-07-17T10:49:47Z)
• Examination and Extension of Strategies for Improving Personalized Language Modeling via Interpolation [59.35932511895986]
  我々は,グローバルLSTMベースのオーサリングモデルをユーザ個人化n-gramモデルで補間することにより,ユーザレベルでのオフラインメトリクスの改善を示す。 利用者の80%以上がパープレキシティのリフトを受けており、ユーザー当たり平均5.2%がパープレキシティのリフトを受け取っている。
  論文  参考訳（メタデータ） (2020-06-09T19:29:41Z)
• MetaSelector: Meta-Learning for Recommendation with User-Level Adaptive Model Selection [110.87712780017819]
  推薦システムにおけるユーザレベルの適応モデル選択を容易にするメタラーニングフレームワークを提案する。 2つのパブリックデータセットと実世界のプロダクションデータセットで実験を行います。
  論文  参考訳（メタデータ） (2020-01-22T16:05:01Z)

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。