論文の概要: TransTARec: Time-Adaptive Translating Embedding Model for Next POI Recommendation

• arxiv url: http://arxiv.org/abs/2404.07096v1
• Date: Wed, 10 Apr 2024 15:36:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-11 13:51:53.784998
• Title: TransTARec: Time-Adaptive Translating Embedding Model for Next POI Recommendation
• Title（参考訳）: TransTARec: 次のPOI勧告のための時間適応型翻訳埋め込みモデル
• Authors: Yiping Sun,
• Abstract要約: 時刻は次のPOIレコメンデーションにおいて重要な役割を果たすが、最近提案された翻訳埋め込み手法では無視されている。 時間適応型翻訳埋め込みモデル(TransTARec)を提案する。 TransTARecの優位性は、現実世界のデータセットに関する広範な実験によって確認されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid growth of location acquisition technologies makes Point-of-Interest(POI) recommendation possible due to redundant user check-in records. In this paper, we focus on next POI recommendation in which next POI is based on previous POI. We observe that time plays an important role in next POI recommendation but is neglected in the recent proposed translating embedding methods. To tackle this shortage, we propose a time-adaptive translating embedding model (TransTARec) for next POI recommendation that naturally incorporates temporal influence, sequential dynamics, and user preference within a single component. Methodologically, we treat a (previous timestamp, user, next timestamp) triplet as a union translation vector and develop a neural-based fusion operation to fuse user preference and temporal influence. The superiority of TransTARec, which is confirmed by extensive experiments on real-world datasets, comes from not only the introduction of temporal influence but also the direct unification with user preference and sequential dynamics.
• Abstract（参考訳）: 位置情報取得技術の急速な成長は、冗長なユーザチェックイン記録のため、POI(Point-of-Interest)レコメンデーションを可能にする。 本稿では,従来のPOIをベースとした次のPOIレコメンデーションに焦点を当てる。 我々は、次のPOIレコメンデーションにおいて時間が重要な役割を果たすが、最近提案された翻訳埋め込み手法では無視されていることを観察する。 この不足に対処するために, 時間的影響, シーケンシャルダイナミクス, ユーザ嗜好を1つのコンポーネントに自然に組み込んだ, 次回のPOIレコメンデーションのための時間適応型翻訳埋め込みモデル(TransTARec)を提案する。 提案手法は,従来のタイムスタンプ,ユーザ,次のタイムスタンプ)三重項を結合翻訳ベクトルとして扱い,ユーザの嗜好と時間的影響を融合させるニューラルベース融合操作を開発する。 実世界のデータセットに関する広範な実験によって確認されたTransTARecの優位性は、時間的影響の導入だけでなく、ユーザの好みとシーケンシャルなダイナミクスとの直接的な統合によってもたらされる。

関連論文リスト

• Preference Diffusion for Recommendation [50.8692409346126]
  DMベースのレコメンデータに適した最適化対象であるPreferDiffを提案する。 PreferDiffは、BPRをログライクなランキング目標に変換することで、ユーザの好みをよりよく把握する。 これはDMベースのレコメンデーション向けに特別に設計された、パーソナライズされたランキングの損失である。
  論文  参考訳（メタデータ） (2024-10-17T01:02:04Z)
• Self-Augmented Preference Optimization: Off-Policy Paradigms for Language Model Alignment [104.18002641195442]
  既存のペアデータを必要としない、効果的でスケーラブルなトレーニングパラダイムである自己拡張型優先度最適化(SAPO)を導入する。 負の反応を自律的に生成するセルフプレイの概念に基づいて、我々はさらに、データ探索とエクスプロイトを強化するために、非政治的な学習パイプラインを組み込む。
  論文  参考訳（メタデータ） (2024-05-31T14:21:04Z)
• SA-LSPL:Sequence-Aware Long- and Short- Term Preference Learning for next POI recommendation [19.40796508546581]
  Point of Interest(POI)推奨は、特定のタイミングでユーザに対してPOIを推奨することを目的としている。 提案する手法は,SA-LSPL(Sequence-Aware Long- and Short-Term Preference Learning)である。
  論文  参考訳（メタデータ） (2024-03-30T13:40:25Z)
• Bayes-enhanced Multi-view Attention Networks for Robust POI Recommendation [81.4999547454189]
  既存の作業では、ユーザによって報告された利用可能なPOIチェックインが、ユーザ行動の真真正な描写であると仮定している。 実際のアプリケーションシナリオでは、主観的および客観的な原因の両方のため、チェックインデータは信頼性が低い。 本稿では,ユーザチェックインの不確実性に対処するため,ベイズ強化型マルチビュー注意ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-11-01T12:47:38Z)
• Attention Mixtures for Time-Aware Sequential Recommendation [10.017195276758454]
  トランスフォーマーはシーケンシャルなレコメンデーションのための強力な方法として登場した。 改良された Transformer シーケンシャルレコメンデータシステムである MOJITO を導入する。 いくつかの実世界のデータセットで逐次レコメンデーションを行うために、既存のTransformerを実証的に上回ることによって、我々のアプローチの妥当性を実証する。
  論文  参考訳（メタデータ） (2023-04-17T11:11:19Z)
• GETNext: Trajectory Flow Map Enhanced Transformer for Next POI Recommendation [11.236531335154401]
  POIは、現在のステータスと履歴情報から、ユーザとサービスプロバイダの両方に大きな価値をもたらす、ユーザの将来的な動きを予測しようとしている。 様々なデータトレンドを一緒に考える必要があるため、この問題は知覚的に複雑である。 本稿では,ユーザに依存しないグローバルトラジェクトリフローマップと新しいグラフ拡張トランスフォーマモデル(GETNext)を提案する。
  論文  参考訳（メタデータ） (2023-03-03T01:58:41Z)
• Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
  Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。 自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。 特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
  論文  参考訳（メタデータ） (2022-10-22T17:29:34Z)
• Modelling of Bi-directional Spatio-Temporal Dependence and Users' Dynamic Preferences for Missing POI Check-in Identification [38.51964956686177]
  双方向の時間的依存とユーザの動的嗜好を統合するモデルであるBi-STDDPを開発した。 その結果, 最先端手法と比較して, モデルの大幅な改善が示された。
  論文  参考訳（メタデータ） (2021-12-31T03:54:37Z)
• Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
  逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。 当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
  論文  参考訳（メタデータ） (2020-05-21T12:28:59Z)
• Reward Constrained Interactive Recommendation with Natural Language Feedback [158.8095688415973]
  制約強化強化学習(RL)フレームワークを提案する。 具体的には,ユーザの過去の嗜好に反するレコメンデーションを検出するために,識別器を利用する。 提案するフレームワークは汎用的であり,制約付きテキスト生成のタスクにさらに拡張されている。
  論文  参考訳（メタデータ） (2020-05-04T16:23:34Z)

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。