論文の概要: EfficientRec an unlimited user-item scale recommendation system based on
clustering and users interaction embedding profile
- arxiv url: http://arxiv.org/abs/2401.09693v1
- Date: Thu, 18 Jan 2024 02:48:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-19 17:56:05.166050
- Title: EfficientRec an unlimited user-item scale recommendation system based on
clustering and users interaction embedding profile
- Title(参考訳): EfficientRec クラスタリングとユーザインタラクション埋め込みプロファイルに基づく無制限のユーザ-イテムスケールレコメンデーションシステム
- Authors: Vu Hong Quan, Le Hoang Ngan, Le Minh Duc, Nguyen Tran Ngoc Linh, and
Hoang Quynh-Le
- Abstract要約: 本稿では,ユーザの好みを抽出する上で,コントラスト学習フレームワークを用いたグラフニューラルネットワークの新たな手法を提案する。
我々は、推論プロセスの計算コストを大幅に削減するソフトクラスタリングアーキテクチャを組み込んだ。
実験の結果,学習段階と予測段階の両方において,低い計算コストでユーザの好みを学習できることがわかった。
- 参考スコア(独自算出の注目度): 0.2912705470788796
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recommendation systems are highly interested in technology companies
nowadays. The businesses are constantly growing users and products, causing the
number of users and items to continuously increase over time, to very large
numbers. Traditional recommendation algorithms with complexity dependent on the
number of users and items make them difficult to adapt to the industrial
environment. In this paper, we introduce a new method applying graph neural
networks with a contrastive learning framework in extracting user preferences.
We incorporate a soft clustering architecture that significantly reduces the
computational cost of the inference process. Experiments show that the model is
able to learn user preferences with low computational cost in both training and
prediction phases. At the same time, the model gives a very good accuracy. We
call this architecture EfficientRec with the implication of model compactness
and the ability to scale to unlimited users and products.
- Abstract(参考訳): 近年、レコメンデーションシステムはテクノロジー企業への関心が高まっている。
企業は常にユーザやプロダクトを増加させており、時間とともにユーザやアイテムの数は増え続けています。
ユーザ数や項目数に依存する複雑さを持つ従来の推薦アルゴリズムは,産業環境への適応を困難にしている。
本稿では,グラフニューラルネットワークを,ユーザの好みを抽出するためのコントラスト学習フレームワークを用いて適用する新しい手法を提案する。
私たちは、推論プロセスの計算コストを大幅に削減するソフトクラスタリングアーキテクチャを取り込んでいます。
実験の結果,学習段階と予測段階の両方において,低い計算コストでユーザの好みを学習できることがわかった。
同時に、モデルは非常に優れた精度を提供する。
このアーキテクチャをEfficientRecと呼び、モデルコンパクトさと無制限のユーザや製品にスケールできる能力について述べます。
関連論文リスト
- Retrieval Augmentation via User Interest Clustering [57.63883506013693]
インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。
本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。
当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
論文 参考訳(メタデータ) (2024-08-07T16:35:10Z) - Dynamic Sparse Learning: A Novel Paradigm for Efficient Recommendation [20.851925464903804]
本稿では,リコメンデーションモデルに適した新しい学習パラダイムであるDynamic Sparse Learningを紹介する。
DSLは革新的に、スクラッチから軽量スパースモデルをトレーニングし、各ウェイトの重要性を定期的に評価し、動的に調整する。
実験結果は、DSLの有効性を裏付け、トレーニングと推論のコストを大幅に削減し、同等のレコメンデーションパフォーマンスを提供する。
論文 参考訳(メタデータ) (2024-02-05T10:16:20Z) - 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) - Effective and Efficient Training for Sequential Recommendation using
Recency Sampling [91.02268704681124]
本稿では,新しいRecency-based Smpling of Sequencesトレーニング目標を提案する。
提案手法により拡張されたモデルにより,最先端のBERT4Recに近い性能が得られることを示す。
論文 参考訳(メタデータ) (2022-07-06T13:06:31Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳(メタデータ) (2022-06-15T19:10:35Z) - Broad Recommender System: An Efficient Nonlinear Collaborative Filtering
Approach [56.12815715932561]
我々はBroad Collaborative Filtering (BroadCF)と呼ばれる新しい広帯域リコメンデータシステムを提案する。
深層ニューラルネットワーク(DNN)の代わりに、ユーザとアイテム間の複雑な非線形関係を学習するためのマッピング機能として、Broad Learning System(BLS)が使用されている。
7つのベンチマークデータセットで実施された大規模な実験により、提案したBroadCFアルゴリズムの有効性が確認された。
論文 参考訳(メタデータ) (2022-04-20T01:25:08Z) - Modeling Dynamic User Preference via Dictionary Learning for Sequential
Recommendation [133.8758914874593]
ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。
浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。
本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
論文 参考訳(メタデータ) (2022-04-02T03:23:46Z) - Multi-output Gaussian Processes for Uncertainty-aware Recommender
Systems [3.908842679355254]
モデルトレーニングと推論のための効率的な戦略を導入し、その結果、非常に大きくスパースなデータセットにスケールするモデルを生み出します。
我々のモデルは、その予測の定量化に関する有意義な不確実性推定も提供する。
論文 参考訳(メタデータ) (2021-06-08T10:01:14Z) - Optimizing Offer Sets in Sub-Linear Time [5.027714423258537]
本稿では,各項目数のサブ線形時間内で動作するパーソナライズされたオファーセット最適化アルゴリズムを提案する。
私たちのアルゴリズムは完全にデータ駆動で、ユーザーのサンプルに依存します。
論文 参考訳(メタデータ) (2020-11-17T13:02:56Z) - Self-Supervised Contrastive Learning for Efficient User Satisfaction
Prediction in Conversational Agents [35.2098736872247]
ユーザとエージェントのインタラクションを学習するための,自己指導型コントラスト学習手法を提案する。
自己教師対象を用いた事前学習モデルは,ユーザ満足度予測に転送可能であることを示す。
また、非常に小さなサンプルサイズに対して、より優れた転送性を確保するために、新しい数発の転送学習手法を提案する。
論文 参考訳(メタデータ) (2020-10-21T18:10:58Z)
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。