論文の概要: BMLP: Behavior-aware MLP for Heterogeneous Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2402.12733v1
• Date: Tue, 20 Feb 2024 05:57:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-21 17:00:42.677633
• Title: BMLP: Behavior-aware MLP for Heterogeneous Sequential Recommendation
• Title（参考訳）: BMLP:不均一シークエンシャルレコメンデーションのための行動認識型MLP
• Authors: Weixin Li, Yuhao Wu, Yang Liu, Weike Pan, Zhong Ming
• Abstract要約: 行動認識型多層パーセプトロン(BMLP)を用いた新しい多層パーセプトロン(MLP)シーケンシャルレコメンデーション法を提案する。 BMLPは、4つの公開データセットの最先端アルゴリズムよりも大幅に改善されている。
• 参考スコア（独自算出の注目度）: 16.6816199104481
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In real recommendation scenarios, users often have different types of behaviors, such as clicking and buying. Existing research methods show that it is possible to capture the heterogeneous interests of users through different types of behaviors. However, most multi-behavior approaches have limitations in learning the relationship between different behaviors. In this paper, we propose a novel multilayer perceptron (MLP)-based heterogeneous sequential recommendation method, namely behavior-aware multilayer perceptron (BMLP). Specifically, it has two main modules, including a heterogeneous interest perception (HIP) module, which models behaviors at multiple granularities through behavior types and transition relationships, and a purchase intent perception (PIP) module, which adaptively fuses subsequences of auxiliary behaviors to capture users' purchase intent. Compared with mainstream sequence models, MLP is competitive in terms of accuracy and has unique advantages in simplicity and efficiency. Extensive experiments show that BMLP achieves significant improvement over state-of-the-art algorithms on four public datasets. In addition, its pure MLP architecture leads to a linear time complexity.
• Abstract（参考訳）: 実際のレコメンデーションシナリオでは、ユーザはクリックや購入など、さまざまなタイプの行動を持つことが多い。 既存の研究手法では,ユーザの異質な興味を様々な行動によって捉えることが可能である。 しかし、ほとんどのマルチビヘイビアアプローチは、異なる行動の関係を学ぶのに制限がある。 本稿では,新しい多層性パーセプトロン(mlp)に基づく不均質な逐次推薦手法であるビヘイビアアウェア多層性パーセプトロン(bmlp)を提案する。 具体的には、行動タイプと遷移関係を通じて複数の粒度の振舞いをモデル化するヘテロジニアス・インテンシー・セプション(hip)モジュールと、ユーザの購入意図をキャプチャするために補助的振舞いのサブシーケンスを適応的に融合する購入意図知覚(pip)モジュールの2つのモジュールがある。 主流のシーケンスモデルと比較すると、MLPは精度の点で競争力があり、単純さと効率性に特有の利点がある。 広範な実験により、BMLPは4つの公開データセット上で最先端のアルゴリズムよりも大幅に改善されていることが示されている。 さらに、その純粋なMLPアーキテクチャは、線形時間の複雑さをもたらす。

関連論文リスト

• Multi-Grained Preference Enhanced Transformer for Multi-Behavior Sequential Recommendation [29.97854124851886]
  シークエンシャルレコメンデーションは,過去のユーザ・イテムインタラクションから学んだユーザの動的嗜好に基づいて,次の購入項目を予測することを目的としている。 既存のメソッドは振る舞いレベルやアイテムレベルでのみ異種なマルチ振る舞いの依存関係をモデル化します。 これらの課題に対処するために,M-GPT(Multi-Grained Preference enhanced Transformer framework)を提案する。
  論文  参考訳（メタデータ） (2024-11-19T02:45:17Z)
• Behavior Pattern Mining-based Multi-Behavior Recommendation [22.514959709811446]
  行動パターンマイニングに基づくマルチ行動レコメンデーション(BPMR)を紹介する。 BPMRは、ユーザとアイテム間の多様な相互作用パターンを広範囲に調査し、これらのパターンを推奨する機能として利用します。 実世界の3つのデータセットに対する実験的評価は、BPMRが既存の最先端アルゴリズムを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2024-08-22T06:41:59Z)
• UCB-driven Utility Function Search for Multi-objective Reinforcement Learning [75.11267478778295]
  マルチオブジェクト強化学習(MORL)エージェントでは、意思決定行動の最適化を行う。 重みベクトル w でパラメータ化される線型効用関数の場合に焦点を当てる。 学習過程の異なる段階で最も有望な重みベクトルを効率的に探索する上信頼境界に基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-05-01T09:34:42Z)
• Personalized Behavior-Aware Transformer for Multi-Behavior Sequential Recommendation [25.400756652696895]
  マルチビヘイビアシーケンスレコメンデーション(MBSR)問題に対するパーソナライズされた行動認識変換フレームワーク(PBAT)を提案する。 PBATは表現層にパーソナライズされた振舞いパターン生成器を開発し,逐次学習のための動的・識別的な振舞いパターンを抽出する。 3つのベンチマークデータセットで実験を行い、その結果、フレームワークの有効性と解釈性を示した。
  論文  参考訳（メタデータ） (2024-02-22T12:03:21Z)
• Tuning Pre-trained Model via Moment Probing [62.445281364055795]
  本稿では,LP の可能性を探るため,新しい Moment Probing (MP) 法を提案する。 MPは、最終特徴の平均に基づいて線形分類ヘッドを実行する。 当社のMPはLPを著しく上回り、トレーニングコストの低い相手と競争しています。
  論文  参考訳（メタデータ） (2023-07-21T04:15:02Z)
• Coarse-to-Fine Knowledge-Enhanced Multi-Interest Learning Framework for Multi-Behavior Recommendation [52.89816309759537]
  マルチタイプの行動(例えば、クリック、カートの追加、購入など)は、ほとんどの現実世界のレコメンデーションシナリオに広く存在する。 最先端のマルチ振る舞いモデルは、すべての歴史的相互作用を入力として区別しない振る舞い依存を学習する。 本稿では,多様な行動に対する共有的・行動特異的な関心を学習するための,多目的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-03T05:28:14Z)
• 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)
• Multi-view Multi-behavior Contrastive Learning in Recommendation [52.42597422620091]
  マルチビヘイビアレコメンデーション(MBR)は、目標行動のパフォーマンスを改善するために、複数の振る舞いを共同で検討することを目的としている。 本稿では,新しいマルチビヘイビア・マルチビュー・コントラスト学習勧告フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-20T15:13:28Z)
• Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
  マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。 本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。 最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
  論文  参考訳（メタデータ） (2021-09-07T04:28:09Z)
• MOI-Mixer: Improving MLP-Mixer with Multi Order Interactions in Sequential Recommendation [40.20599070308035]
  トランスフォーマーベースのモデルは、シーケンス長に2次記憶と時間の複雑さを必要とするため、ユーザの長期的関心を抽出することは困難である。 線形メモリと時間複雑性で有名なMLPベースのモデルは、最近、様々なタスクにおいてTransformerと比較して競合する結果を示した。 本稿では,レイヤのメモリと時間の複雑さを維持しながら,任意の順序のインタラクションを表現できる多階インタラクション層を提案する。
  論文  参考訳（メタデータ） (2021-08-17T08:38:49Z)

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。