論文の概要: Denoising Time Cycle Modeling for Recommendation

• arxiv url: http://arxiv.org/abs/2402.02718v1
• Date: Mon, 5 Feb 2024 04:28:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-06 17:45:33.186636
• Title: Denoising Time Cycle Modeling for Recommendation
• Title（参考訳）: レコメンデーションのための時間サイクルモデリング
• Authors: Sicong Xie, Qunwei Li, Weidi Xu, Kaiming Shen, Shaohu Chen, Wenliang Zhong
• Abstract要約: 既存の手法はユーザの行動の時間的パターンを無視する。 本稿では,ユーザの振る舞いを識別する新しい手法であるDenoising Time Cycle Modeling (DiCycle)を提案する。 DiCycleは、推薦のために多様なサイクルパターンを明示的にモデル化することができる。
• 参考スコア（独自算出の注目度）: 19.62210742613065
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, modeling temporal patterns of user-item interactions have attracted much attention in recommender systems. We argue that existing methods ignore the variety of temporal patterns of user behaviors. We define the subset of user behaviors that are irrelevant to the target item as noises, which limits the performance of target-related time cycle modeling and affect the recommendation performance. In this paper, we propose Denoising Time Cycle Modeling (DiCycle), a novel approach to denoise user behaviors and select the subset of user behaviors that are highly related to the target item. DiCycle is able to explicitly model diverse time cycle patterns for recommendation. Extensive experiments are conducted on both public benchmarks and a real-world dataset, demonstrating the superior performance of DiCycle over the state-of-the-art recommendation methods.
• Abstract（参考訳）: 近年,ユーザ・イテム相互作用の時間パターンのモデル化が推奨システムにおいて注目されている。 既存の手法ではユーザの行動の時間的パターンは無視できる。 対象品目と無関係なユーザの動作のサブセットをノイズとして定義し,対象とするタイムサイクルモデリングの性能を制限し,レコメンデーション性能に影響を与える。 本稿では,ユーザの振る舞いを識別し,対象項目と関連性の高いユーザ行動のサブセットを選択する新しい手法として,Denoising Time Cycle Modeling (DiCycle)を提案する。 DiCycleは、推薦のために多様なサイクルパターンを明示的にモデル化することができる。 公開ベンチマークと実世界のデータセットの両方で大規模な実験が行われ、最先端のレコメンデーションメソッドよりも優れたパフォーマンスを示している。

関連論文リスト

• Enhancing Recommendation with Denoising Auxiliary Task [2.819369786209738]
  ユーザの振る舞いの任意性のため、ノイズの存在はリコメンデータシステムにおける次の行動を予測するための課題となる。 提案手法は, 推薦システムにおいて, より正確に雑音列を再重み付けすることを目的とした, 自己監督型補助タスクジョイントトレーニング (ATJT) 手法を提案する。
  論文  参考訳（メタデータ） (2024-09-25T22:26:29Z)
• Diffusion Action Segmentation [63.061058214427085]
  本稿では,このような反復的洗練の本質的な精神を共用した拡散モデルによる新しい枠組みを提案する。 このフレームワークでは、入力された映像の特徴を条件としてランダムノイズから行動予測を反復的に生成する。
  論文  参考訳（メタデータ） (2023-03-31T10:53:24Z)
• 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)
• Multi-Behavior Sequential Recommendation with Temporal Graph Transformer [66.10169268762014]
  マルチビヘイビア・インタラクティブなパターンを意識した動的ユーザ・イテム関係学習に取り組む。 本稿では,動的短期および長期のユーザ・イテム対話パターンを共同でキャプチャする,TGT(Temporal Graph Transformer)レコメンデーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-06T15:42:54Z)
• 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)
• TEA: A Sequential Recommendation Framework via Temporally Evolving Aggregations [12.626079984394766]
  動的ユーザ・イテム不均質グラフに基づく新しいシーケンシャル・レコメンデーション・フレームワークを提案する。 条件付き乱数場を利用して不均一なグラフとユーザ動作を集約し,確率推定を行う。 提案したフレームワークのスケーラブルで柔軟な実装を提供しています。
  論文  参考訳（メタデータ） (2021-11-14T15:54:23Z)
• Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation [62.30552176649873]
  シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。 両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。 モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:44:27Z)
• Contrastive Self-supervised Sequential Recommendation with Robust Augmentation [101.25762166231904]
  Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。 データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。 逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
  論文  参考訳（メタデータ） (2021-08-14T07:15:25Z)
• Sequence Adaptation via Reinforcement Learning in Recommender Systems [8.909115457491522]
  そこで我々は,SARモデルを提案する。SARモデルは,ユーザとイテムの相互作用のシーケンス長をパーソナライズされた方法で調整する。 さらに,逐次レコメンデーションの精度を批評家ネットワークの予測累積報酬と整合させるために,共同損失関数を最適化する。 実世界の4つのデータセットに対する実験的な評価は,提案モデルがいくつかのベースラインアプローチよりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-31T13:56:46Z)
• Denoising User-aware Memory Network for Recommendation [11.145186013006375]
  我々はDUMN(Denoising User-Aware memory network)という新しいCTRモデルを提案する。 DUMNは明示的なフィードバックの表現を使用して、暗黙的なフィードバックの表現を浄化し、暗黙的なフィードバックを効果的に軽視する。 2つの実際のEコマースユーザ行動データセットの実験は、DUMNが最先端のベースラインよりも大幅に改善されていることを示している。
  論文  参考訳（メタデータ） (2021-07-12T14:39:36Z)
• MEANTIME: Mixture of Attention Mechanisms with Multi-temporal Embeddings for Sequential Recommendation [12.386304516106854]
  自己注意に基づくモデルは、シーケンシャルなレコメンデーションタスクで最先端のパフォーマンスを達成した。 これらのモデルは、ユーザの履歴のシーケンシャルな性質を活用するために、単純な位置埋め込みに依存している。 本稿では,ユーザの行動系列から様々なパターンを捉えるために,複数の時間的埋め込みを用いたMEANTIMEを提案する。
  論文  参考訳（メタデータ） (2020-08-19T05:32:14Z)

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。