論文の概要: Sequential Recommendation on Temporal Proximities with Contrastive
Learning and Self-Attention
- arxiv url: http://arxiv.org/abs/2402.09784v2
- Date: Sun, 18 Feb 2024 02:38:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-21 00:25:57.490037
- Title: Sequential Recommendation on Temporal Proximities with Contrastive
Learning and Self-Attention
- Title（参考訳）: コントラスト学習とセルフアテンションを用いた時間軸の逐次推薦
- Authors: Hansol Jung, Hyunwoo Seo and Chiehyeon Lim
- Abstract要約: 逐次リコメンデータシステムは、過去のインタラクションからユーザの好みを識別し、後続の項目を最適に予測する。
最近のモデルでは、類似の時間枠中に暗黙的に発生するユーザの行動の類似性を無視することが多い。
本稿では,時間的近接性を考慮したコントラスト学習と自己認識手法を含む,TemProxRecという逐次レコメンデーションモデルを提案する。
- 参考スコア（独自算出の注目度）: 3.7182810519704095
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sequential recommender systems identify user preferences from their past
interactions to predict subsequent items optimally. Although traditional
deep-learning-based models and modern transformer-based models in previous
studies capture unidirectional and bidirectional patterns within user-item
interactions, the importance of temporal contexts, such as individual
behavioral and societal trend patterns, remains underexplored. Notably, recent
models often neglect similarities in users' actions that occur implicitly among
users during analogous timeframes-a concept we term vertical temporal
proximity. These models primarily adapt the self-attention mechanisms of the
transformer to consider the temporal context in individual user actions.
Meanwhile, this adaptation still remains limited in considering the horizontal
temporal proximity within item interactions, like distinguishing between
subsequent item purchases within a week versus a month. To address these gaps,
we propose a sequential recommendation model called TemProxRec, which includes
contrastive learning and self-attention methods to consider temporal
proximities both across and within user-item interactions. The proposed
contrastive learning method learns representations of items selected in close
temporal periods across different users to be close. Simultaneously, the
proposed self-attention mechanism encodes temporal and positional contexts in a
user sequence using both absolute and relative embeddings. This way, our
TemProxRec accurately predicts the relevant items based on the user-item
interactions within a specific timeframe. We validate this work through
comprehensive experiments on TemProxRec, consistently outperforming existing
models on benchmark datasets as well as showing the significance of considering
the vertical and horizontal temporal proximities into sequential
recommendation.
- Abstract（参考訳）: 逐次リコメンデータシステムは、過去のインタラクションからユーザの好みを識別し、後続の項目を最適に予測する。
従来のディープラーニングモデルと最新のトランスフォーマーモデルでは、ユーザとテーマのインタラクションにおける一方向および双方向のパターンが捉えられているが、個人の行動パターンや社会的傾向パターンといった時間的文脈の重要性は未検討のままである。
特に最近のモデルは、類似した時間枠の間、ユーザ間で暗黙的に発生するユーザのアクションの類似性を無視することが多い。
これらのモデルは主に変換器の自己認識機構を適用し、個々のユーザアクションの時間的コンテキストを考慮する。
一方、この適応は、アイテム間の相互作用における水平時間的近接性、例えば1週間以内のアイテム購入と1ヶ月以内のアイテム購入の区別を考慮しても依然として限定的である。
これらのギャップに対処するため,ユーザ間相互作用の時間的近さを考慮し,コントラスト学習と自己注意法を含む,TemProxRecというシーケンシャルレコメンデーションモデルを提案する。
提案するコントラスト学習法は,ユーザ間の密接な時間間隔で選択された項目の表現を学習する。
同時に,提案手法は,絶対埋め込みと相対埋め込みの両方を用いて,ユーザシーケンス内の時間的および位置的コンテキストを符号化する。
このようにして、私たちのTemProxRecは、特定の時間枠内のユーザとイテムのインタラクションに基づいて、関連するアイテムを正確に予測します。
temproxrecに関する包括的実験によって検証し、ベンチマークデータセットで既存のモデルと一貫して比較し、垂直および水平の時間軸を逐次レコメンデーションとして考慮することの重要性を示す。
関連論文リスト
- TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。
本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
論文 参考訳（メタデータ） (2024-02-04T13:10:51Z) - 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) - Continuous-Time User Preference Modelling for Temporal Sets Prediction [32.35733523016208]
時間集合予測のための連続時間ユーザ嗜好モデリングフレームワークを提案する。
まず、ユーザ-セットのインタラクションを非退行時間順序でアレンジすることで、普遍的なシーケンスを構築する。
各インタラクションに対して,現在符号化されているメッセージと過去の記憶に基づいて,関連するユーザおよび要素の記憶を継続的に更新する。
論文 参考訳（メタデータ） (2022-04-12T02:49:27Z) - 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) - Sequential Recommendation via Stochastic Self-Attention [68.52192964559829]
Transformerベースのアプローチでは、アイテムをベクトルとして埋め込んで、ドット積の自己アテンションを使用してアイテム間の関係を測定する。
本稿では,これらの問題を克服するための新しいtextbfStochastic textbfSelf-textbfAttention (STOSA) を提案する。
我々は、アイテムと項目の位置関係を列で特徴づける新しいワッサースタイン自己保持モジュールを考案した。
論文 参考訳（メタデータ） (2022-01-16T12:38:45Z) - 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) - Learning Heterogeneous Temporal Patterns of User Preference for Timely
Recommendation [15.930016839929047]
我々はTimelyRecと呼ばれるタイムリーなレコメンデーションのための新しいレコメンデーションシステムを提案する。
TimelyRecでは、2つのエンコーダのカスケードが、各エンコーダに対して提案されたアテンションモジュールを使用して、ユーザの好みの時間パターンをキャプチャする。
実世界のデータセットにおける項目推薦シナリオと項目決定推薦シナリオの実験により,timelyrecの優位性が示された。
論文 参考訳（メタデータ） (2021-04-29T08:37:30Z) - Dynamic Embeddings for Interaction Prediction [2.5758502140236024]
推薦システム(RS)では、ユーザが対話する次の項目を予測することが、ユーザの保持に不可欠である。
近年,ユーザとアイテム間の相互相互作用を個別のユーザとアイテムの埋め込みを用いてモデル化する手法の有効性が示されている。
本稿では,DeePRedと呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2020-11-10T16:04:46Z) - 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) - Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。
ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。
我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
論文 参考訳（メタデータ） (2020-06-20T03:29:02Z)
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。