論文の概要: Trinity: Syncretizing Multi-/Long-tail/Long-term Interests All in One

• arxiv url: http://arxiv.org/abs/2402.02842v1
• Date: Mon, 5 Feb 2024 09:53:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-06 17:14:29.528357
• Title: Trinity: Syncretizing Multi-/Long-tail/Long-term Interests All in One
• Title（参考訳）: trinity: 複数/ロングテール/長期的な関心を1つにまとめる
• Authors: Jing Yan, Liu Jiang, Jianfei Cui, Zhichen Zhao, Xingyan Bin, Feng Zhang, Zuotao Liu
• Abstract要約: 本稿では,検索段階における新たな統合フレームワーク"Trinity"を提案する。 我々は,クラスタにアイテムを投影し,これらのクラスタ上での統計的関心ヒストグラムを計算するリアルタイムクラスタリングシステムを構築した。
• 参考スコア（独自算出の注目度）: 4.827603688612957
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Interest modeling in recommender system has been a constant topic for improving user experience, and typical interest modeling tasks (e.g. multi-interest, long-tail interest and long-term interest) have been investigated in many existing works. However, most of them only consider one interest in isolation, while neglecting their interrelationships. In this paper, we argue that these tasks suffer from a common "interest amnesia" problem, and a solution exists to mitigate it simultaneously. We figure that long-term cues can be the cornerstone since they reveal multi-interest and clarify long-tail interest. Inspired by the observation, we propose a novel and unified framework in the retrieval stage, "Trinity", to solve interest amnesia problem and improve multiple interest modeling tasks. We construct a real-time clustering system that enables us to project items into enumerable clusters, and calculate statistical interest histograms over these clusters. Based on these histograms, Trinity recognizes underdelivered themes and remains stable when facing emerging hot topics. Trinity is more appropriate for large-scale industry scenarios because of its modest computational overheads. Its derived retrievers have been deployed on the recommender system of Douyin, significantly improving user experience and retention. We believe that such practical experience can be well generalized to other scenarios.
• Abstract（参考訳）: 推薦システムにおける関心モデリングは、ユーザエクスペリエンスを改善するための絶え間ないトピックであり、多くの既存の作品において、典型的な関心モデリングタスク(例えば、マルチ関心、長期関心、長期関心など)が研究されている。 しかし、ほとんどの人は孤立に関心を抱く一方、相互関係を無視している。 本稿では,これらの課題は共通の「関心記憶障害」の問題に悩まされ,同時に緩和する解が存在することを論じる。 長期的手がかりは,多目的性を示し,長期的関心の顕在化に寄与すると考えられる。 本研究は,検索段階における新規で統一的なフレームワークであるTrinityを提案し,利害対立を解消し,複数の利害関係モデリングタスクを改善する。 実時間クラスタリングシステムを構築して,アイテムをエネルブルクラスタに投影し,これらのクラスタ上での統計的関心ヒストグラムを計算する。 これらのヒストグラムに基づいて、トリニティは未配信のテーマを認識し、新たなホットトピックに直面すると安定している。 Trinityは、計算オーバーヘッドが少なすぎるため、大規模産業のシナリオに適している。 派生したレトリバーはDouyinのレコメンダシステムにデプロイされ、ユーザエクスペリエンスと保持を大幅に改善した。 このような実践的な経験は他のシナリオによく一般化できると考えている。

関連論文リスト

• Beyond Forecasting: Compositional Time Series Reasoning for End-to-End Task Execution [19.64976935450366]
  時系列データから複雑な多段階推論タスクを処理する新しいタスクであるコンポジション時系列推論を導入する。 具体的には、時系列データに構造的および構成的推論能力を必要とする様々な質問事例に焦点を当てる。 我々は,大規模言語モデル(LLM)を用いて複雑なタスクをプログラムのステップに分解するプログラム支援手法であるTS-Reasonerを開発した。
  論文  参考訳（メタデータ） (2024-10-05T06:04:19Z)
• BiVRec: Bidirectional View-based Multimodal Sequential Recommendation [55.87443627659778]
  我々は,IDとマルチモーダルの両方で推薦タスクを共同で訓練する,革新的なフレームワークであるBivRecを提案する。 BivRecは5つのデータセットで最先端のパフォーマンスを達成し、様々な実用的な利点を示している。
  論文  参考訳（メタデータ） (2024-02-27T09:10:41Z)
• Contrastive Continual Multi-view Clustering with Filtered Structural Fusion [57.193645780552565]
  ビューが事前に収集されるアプリケーションでは、マルチビュークラスタリングが成功します。 データビューがシーケンシャルに収集されるシナリオ、すなわちリアルタイムデータを見落としている。 いくつかの方法が提案されているが、安定塑性ジレンマに閉じ込められている。 フィルタ構造融合を用いたコントラスト連続多視点クラスタリングを提案する。
  論文  参考訳（メタデータ） (2023-09-26T14:18:29Z)
• A Threefold Review on Deep Semantic Segmentation: Efficiency-oriented, Temporal and Depth-aware design [77.34726150561087]
  我々は、自動運転車のビジョンの文脈において、Deep Semanticの最も関連性があり最近の進歩について調査を行う。 私たちの主な目的は、それぞれの視点で直面している主要な方法、利点、制限、結果、課題に関する包括的な議論を提供することです。
  論文  参考訳（メタデータ） (2023-03-08T01:29:55Z)
• Causal Triplet: An Open Challenge for Intervention-centric Causal Representation Learning [98.78136504619539]
  Causal Tripletは、視覚的に複雑なシーンを特徴とする因果表現学習ベンチマークである。 この結果から,不整合表現やオブジェクト中心表現の知識によって構築されたモデルが,分散表現よりもはるかに優れていることを示す。
  論文  参考訳（メタデータ） (2023-01-12T17:43:38Z)
• Adaptively-weighted Integral Space for Fast Multiview Clustering [54.177846260063966]
  線形複雑度に近い高速マルチビュークラスタリングのための適応重み付き積分空間(AIMC)を提案する。 特に、ビュー生成モデルは、潜在積分空間からのビュー観測を再構成するために設計されている。 いくつかの実世界のデータセットで実施された実験は、提案したAIMC法の優位性を確認した。
  論文  参考訳（メタデータ） (2022-08-25T05:47:39Z)
• IDNP: Interest Dynamics Modeling using Generative Neural Processes for Sequential Recommendation [40.4445022666304]
  我々は,機能的視点からユーザ興味をモデル化するために,生成型 textbfNeural textbfProcesses を用いた textbfInterest textbfDynamics モデリングフレームワークを提案する。 本モデルでは,各種評価指標の最先端性に優れる。
  論文  参考訳（メタデータ） (2022-08-09T08:33:32Z)
• Improving Multi-Interest Network with Stable Learning [13.514488368734776]
  Deep Stable Multi-Interest Learning (DESMIL) という新しい多目的ネットワークを提案する。 DESMILは、収集した関心事間の微妙な依存関係の影響を、トレーニングサンプルの学習重みによって排除しようとする。 我々は、パブリックレコメンデーションデータセット、大規模産業データセット、合成データセットに関する広範な実験を行う。
  論文  参考訳（メタデータ） (2022-07-14T07:49:28Z)
• Fast Multi-view Clustering via Ensembles: Towards Scalability, Superiority, and Simplicity [63.85428043085567]
  本稿では,アンサンブル(FastMICE)アプローチによる高速なマルチビュークラスタリングを提案する。 ランダムなビュー群の概念は、多目的なビューワイズ関係を捉えるために提示される。 FastMICEは、ほぼ線形時間と空間の複雑さを持ち、データセット固有のチューニングは不要である。
  論文  参考訳（メタデータ） (2022-03-22T09:51:24Z)
• Multiple Interest and Fine Granularity Network for User Modeling [3.508126539399186]
  ユーザモデリングは、カスタマエクスペリエンスとビジネス収益の両方の観点から、マッチングステージとランキングステージの両方において、産業レコメンデータシステムにおいて、基本的な役割を果たす。 既存のディープラーニングベースのアプローチのほとんどは、アイテムIDとカテゴリIDを活用するが、色やメイトリアルのようなきめ細かい特徴は無視し、ユーザの興味の細かい粒度をモデル化するのを妨げる。 本稿では,ユーザの多目的・細粒度に対処する多目的・細粒度ネットワーク(MFN)を提案し,ユーザの多目的間の類似性関係と組み合わせ関係からモデルを構築した。
  論文  参考訳（メタデータ） (2021-12-05T15:12:08Z)
• Multiple Models for Recommending Temporal Aspects of Entities [4.840545493751415]
  特定のエンティティに対する時間的アスペクトレコメンデーションのタスクについて検討する。 本稿では,複数時間およびタイプ依存モデルから学習するイベント中心のアンサンブルランキング手法を提案する。
  論文  参考訳（メタデータ） (2018-03-21T12:51:51Z)

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。