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

• Online Clustering of Dueling Bandits [59.09590979404303]
  本稿では、優先フィードバックに基づく協調的な意思決定を可能にするために、最初の「デュエルバンディットアルゴリズムのクラスタリング」を導入する。 本稿では,(1)ユーザ報酬関数をコンテキストベクトルの線形関数としてモデル化する線形デューリング帯域のクラスタリング(COLDB)と,(2)ニューラルネットワークを用いて複雑な非線形ユーザ報酬関数をモデル化するニューラルデューリング帯域のクラスタリング(CONDB)の2つの新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-04T07:55:41Z)
• Hierarchical Structured Neural Network: Efficient Retrieval Scaling for Large Scale Recommendation [16.21377996349377]
  複雑なユーザインタラクションとアイテムインタラクションを学習するための,効率的なディープニューラルネットワークモデルである階層構造ニューラルネットワーク(HSNN)を導入する。 HSNNは、一般的な手法に比べてオフライン評価の大幅な改善を実現している。
  論文  参考訳（メタデータ） (2024-08-13T05:53:46Z)
• 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)
• Personalized Negative Reservoir for Incremental Learning in Recommender Systems [20.346543608461204]
  商用環境では、一度レコメンデーションシステムモデルがトレーニングされ、デプロイされると、新しいクライアントデータが到着すると頻繁に更新する必要があります。 新しいデータのみを微調整することは、破滅的な忘れ方という、よく文書化された問題に陥る。 本稿では,グラフベースのレコメンデーションシステムにおいて,標準的なトリプルト損失に対する負のサンプルを得るために,パーソナライズされた負の貯水池戦略を提案する。
  論文  参考訳（メタデータ） (2024-03-06T19:08:28Z)
• 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)
• 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)

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。