論文の概要: Enhancing User Intent Capture in Session-Based Recommendation with Attribute Patterns

• arxiv url: http://arxiv.org/abs/2312.16199v1
• Date: Sat, 23 Dec 2023 03:28:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-31 03:01:49.469733
• Title: Enhancing User Intent Capture in Session-Based Recommendation with Attribute Patterns
• Title（参考訳）: 属性パターンを用いたセッションベースレコメンデーションにおけるユーザインテントキャプチャの強化
• Authors: Xin Liu, Zheng Li, Yifan Gao, Jingfeng Yang, Tianyu Cao, Zhengyang Wang, Bing Yin, Yangqiu Song
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 77.19390850643944
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The goal of session-based recommendation in E-commerce is to predict the next item that an anonymous user will purchase based on the browsing and purchase history. However, constructing global or local transition graphs to supplement session data can lead to noisy correlations and user intent vanishing. In this work, we propose the Frequent Attribute Pattern Augmented Transformer (FAPAT) that characterizes user intents by building attribute transition graphs and matching attribute patterns. Specifically, the frequent and compact attribute patterns are served as memory to augment session representations, followed by a gate and a transformer block to fuse the whole session information. Through extensive experiments on two public benchmarks and 100 million industrial data in three domains, we demonstrate that FAPAT consistently outperforms state-of-the-art methods by an average of 4.5% across various evaluation metrics (Hits, NDCG, MRR). Besides evaluating the next-item prediction, we estimate the models' capabilities to capture user intents via predicting items' attributes and period-item recommendations.
• Abstract（参考訳）: Eコマースにおけるセッションベースのレコメンデーションの目標は、匿名ユーザがブラウジングと購入履歴に基づいて購入する次のアイテムを予測することである。 しかし、セッションデータを補うためにグローバルまたはローカルな遷移グラフを構築することは、ノイズの多い相関とユーザ意図の消滅につながる可能性がある。 本稿では,属性遷移グラフの構築と属性パターンのマッチングによってユーザの意図を特徴付ける,頻繁な属性パターン拡張トランスフォーマー(fapat)を提案する。 特に、頻繁でコンパクトな属性パターンは、セッション表現を増強するためのメモリとして提供され、続いて、セッション情報全体を融合するゲートとトランスフォーマーブロックが続く。 2つの公開ベンチマークと3つの領域における1億の産業データに関する広範な実験を通じて、FAPATは様々な評価指標(Hits, NDCG, MRR)で平均4.5%の最先端の手法を一貫して上回っていることを示した。 次点予測の評価に加えて、アイテムの属性と周期的推奨によってユーザ意図をキャプチャするモデルの能力を推定する。

関連論文リスト

• MARS: Matching Attribute-aware Representations for Text-based Sequential Recommendation [11.460164505052981]
  テキストベースのシーケンスレコメンデーション(MARS)のための新しいモデルであるマッチング属性認識表現を提案する。 MARSは属性対応のテキストエンコーディングを通じて詳細なユーザとアイテムの表現を抽出し、複数の属性対応の表現で多様なユーザ意図をキャプチャする。 そして属性レベルのユーザの好みを効果的にキャプチャする。
  論文  参考訳（メタデータ） (2024-09-01T12:11:48Z)
• FineRec:Exploring Fine-grained Sequential Recommendation [28.27273649170967]
  本稿では,属性-選択対のレビューを精査し,逐次レコメンデーションを微妙に処理する新しいフレームワークを提案する。 各属性に対して、ユニークな属性固有のユーザ-オピニオン-イットグラフが作成され、対応する意見が異質なユーザノードとアイテムノードをリンクするエッジとして機能する。 本稿では,属性固有のユーザ/イテム表現をすべての属性にわたって統合し,レコメンデーションを生成するためのインタラクション駆動型融合機構を提案する。
  論文  参考訳（メタデータ） (2024-04-19T16:04:26Z)
• User Persona Identification and New Service Adaptation Recommendation [9.012198585960443]
  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。
  論文  参考訳（メタデータ） (2023-11-15T22:11:39Z)
• ExtractGPT: Exploring the Potential of Large Language Models for Product Attribute Value Extraction [52.14681890859275]
  電子商取引プラットフォームは、属性と値のペアという形で構造化された製品データを必要とする。 BERTベースの抽出法では,タスク固有の大量のトレーニングデータを必要とする。 本稿では,大規模言語モデル (LLM) を,より訓練的かつ堅牢な代替手段として活用することを検討する。
  論文  参考訳（メタデータ） (2023-10-19T07:39:00Z)
• Context-aware Session-based Recommendation with Graph Neural Networks [6.825493772727133]
  グラフニューラルネットワークを用いた新しいコンテキスト認識セッションベースレコメンデーションモデルであるCARESを提案する。 まず,マルチリレーショナル・クロスセッショングラフを構築し,アイテム内およびクロスセッション・アイテムレベルのコンテキストに応じてアイテムを接続する。 ユーザの興味の変動をエンコードするために、パーソナライズされたアイテム表現を設計する。
  論文  参考訳（メタデータ） (2023-10-14T14:29:52Z)
• 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)
• Modeling Dynamic Attributes for Next Basket Recommendation [60.72738829823519]
  このような動的属性のモデリングはレコメンデーション性能を高めることができると我々は主張する。 動的属性をモデル化する新しい注意ネットワーク(AnDa)を提案する。
  論文  参考訳（メタデータ） (2021-09-23T21:31:17Z)
• Dynamic Graph Collaborative Filtering [64.87765663208927]
  動的レコメンデーションは,逐次データに基づくリアルタイム予測を提供するレコメンデータシステムにとって不可欠である。 本稿では、動的グラフを利用して協調関係とシーケンシャル関係をキャプチャする新しいフレームワーク、Dynamic Graph Collaborative Filtering (DGCF)を提案する。 提案手法は, 動的協調情報の統合の有効性を示すため, 動作繰り返しの少ないデータセットでは高い性能を実現する。
  論文  参考訳（メタデータ） (2021-01-08T04:16:24Z)
• Joint Item Recommendation and Attribute Inference: An Adaptive Graph Convolutional Network Approach [61.2786065744784]
  レコメンデーションシステムでは、ユーザとアイテムは属性に関連付けられ、ユーザはアイテムの好みを表示する。 ユーザ(item)属性をアノテートすることは労働集約的なタスクであるため、属性値が欠落している多くの属性値と不完全であることが多い。 本稿では,共同項目推薦と属性推論のための適応グラフ畳み込みネットワーク(AGCN)アプローチを提案する。
  論文  参考訳（メタデータ） (2020-05-25T10:50:01Z)

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。