論文の概要: Multi-Level Sequence Denoising with Cross-Signal Contrastive Learning for Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2404.13878v2
• Date: Thu, 20 Jun 2024 03:37:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-11 01:58:22.251393
• Title: Multi-Level Sequence Denoising with Cross-Signal Contrastive Learning for Sequential Recommendation
• Title（参考訳）: シークエンシャルレコメンデーションのためのクロスシグナルコントラスト学習を用いたマルチレベルシークエンスデノジング
• Authors: Xiaofei Zhu, Liang Li, Weidong Liu, Xin Luo,
• Abstract要約: シーケンシャル・レコメンダ・システム(SRS)は,ユーザの過去のインタラクション・シーケンスに基づいて,次の項目を提案することを目的としている。 本稿では,MSDCCL(Multi-level Sequence Denoising with Cross-signal Contrastive Learning)という新しいモデルを提案する。
• 参考スコア（独自算出の注目度）: 13.355017204983973
• License:
• Abstract: Sequential recommender systems (SRSs) aim to suggest next item for a user based on her historical interaction sequences. Recently, many research efforts have been devoted to attenuate the influence of noisy items in sequences by either assigning them with lower attention weights or discarding them directly. The major limitation of these methods is that the former would still prone to overfit noisy items while the latter may overlook informative items. To the end, in this paper, we propose a novel model named Multi-level Sequence Denoising with Cross-signal Contrastive Learning (MSDCCL) for sequential recommendation. To be specific, we first introduce a target-aware user interest extractor to simultaneously capture users' long and short term interest with the guidance of target items. Then, we develop a multi-level sequence denoising module to alleviate the impact of noisy items by employing both soft and hard signal denoising strategies. Additionally, we extend existing curriculum learning by simulating the learning pattern of human beings. It is worth noting that our proposed model can be seamlessly integrated with a majority of existing recommendation models and significantly boost their effectiveness. Experimental studies on five public datasets are conducted and the results demonstrate that the proposed MSDCCL is superior to the state-of-the-art baselines. The source code is publicly available at https://github.com/lalunex/MSDCCL/tree/main.
• Abstract（参考訳）: シーケンシャル・レコメンダ・システム(SRS)は,ユーザの過去のインタラクション・シーケンスに基づいて,次の項目を提案することを目的としている。 近年,注目度を低くしたり,直接廃棄したりすることで,ノイズ成分の影響を減らそうとする研究が盛んに行われている。 これらの方法の最大の制限は、前者は未だにノイズの多いアイテムに過度に適合する傾向にあり、後者は情報のあるアイテムを見過ごす可能性があることである。 そこで本稿では,クロスシグナルコントラスト学習(MSDCCL)を用いたマルチレベルシークエンス・デノナイジング(Multi-level Sequence Denoising)という新しいモデルを提案する。 具体的には,まず,利用者の長期的かつ短期的関心を目標項目のガイダンスで同時に把握する,目標認識型ユーザ関心抽出装置を提案する。 そこで我々は,ソフト信号とハード信号の両方を用いて,ノイズ成分の影響を緩和するマルチレベルシークエンス・デノナイジング・モジュールを開発した。 さらに,人間の学習パターンをシミュレートすることで,既存のカリキュラム学習を拡張した。 提案したモデルが既存のリコメンデーションモデルの大部分とシームレスに統合され、その有効性を大幅に向上できることは注目に値する。 5つの公開データセットの実験研究を行い、提案したMSDCCLが最先端のベースラインよりも優れていることを示した。 ソースコードはhttps://github.com/lalunex/MSDCCL/tree/mainで公開されている。

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)
• When SparseMoE Meets Noisy Interactions: An Ensemble View on Denoising Recommendation [3.050721435894337]
  本稿では,適応アンサンブル学習(Adaptive Ensemble Learning, AEL)を提案する。 AELはスパースゲーティングネットワークを脳として採用し、適切な認知能力の合成に適した専門家を選択する。 モデル複雑性のアンサンブル学習の欠点を解決するために,コンポーネントを積み重ねてサブレコメンダを作成する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-19T12:55:34Z)
• Denoising Pre-Training and Customized Prompt Learning for Efficient Multi-Behavior Sequential Recommendation [69.60321475454843]
  マルチビヘイビアシークエンシャルレコメンデーションに適した,最初の事前学習および迅速な学習パラダイムであるDPCPLを提案する。 事前学習段階において,複数の時間スケールでノイズを除去する新しい行動マイナ (EBM) を提案する。 次に,提案するCustomized Prompt Learning (CPL)モジュールを用いて,事前学習したモデルを高効率にチューニングすることを提案する。
  論文  参考訳（メタデータ） (2024-08-21T06:48:38Z)
• Learning with Noisy Foundation Models [95.50968225050012]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• GUESR: A Global Unsupervised Data-Enhancement with Bucket-Cluster Sampling for Sequential Recommendation [58.6450834556133]
  本研究では,グローバルな視点から複雑な関連性を持つ項目表現を強化するために,グラフコントラスト学習を提案する。 本稿では,CapsNetモジュールを拡張したターゲットアテンション機構により,ユーザの動的嗜好を導出する。 提案したGUESRは,大幅な改善を達成できただけでなく,汎用的な拡張戦略ともみなすことができた。
  論文  参考訳（メタデータ） (2023-03-01T05:46:36Z)
• Improving Contrastive Learning with Model Augmentation [123.05700988581806]
  このシーケンシャルレコメンデーションは,ユーザ行動における次の項目を予測することを目的としている。 シーケンスにおけるデータの分散性やノイズの問題から,新たな自己教師付き学習(SSL)パラダイムが提案され,性能が向上した。
  論文  参考訳（メタデータ） (2022-03-25T06:12:58Z)
• 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)
• S^3-Rec: Self-Supervised Learning for Sequential Recommendation with Mutual Information Maximization [104.87483578308526]
  本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。 そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。 6つの実世界のデータセットで実施された大規模な実験は、既存の最先端手法よりも提案手法が優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-18T11:44:10Z)

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。