論文の概要: Interest Clock: Time Perception in Real-Time Streaming Recommendation System

• arxiv url: http://arxiv.org/abs/2404.19357v1
• Date: Tue, 30 Apr 2024 08:38:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-11 01:28:15.237460
• Title: Interest Clock: Time Perception in Real-Time Streaming Recommendation System
• Title（参考訳）: リアルタイムストリーミングレコメンデーションシステムにおける時間知覚
• Authors: Yongchun Zhu, Jingwu Chen, Ling Chen, Yitan Li, Feng Zhang, Zuotao Liu,
• Abstract要約: 時間モデリングは、リコメンデーションシステムが時間変化を知覚し、時間の経過とともにユーザの動的嗜好をキャプチャすることを目的としている。 ストリーミングレコメンデーションシステムには効果的な時間モデリング方法がない。 本稿では,レコメンデーションシステムにおける時間情報を知覚するための,効果的で普遍的な手法であるInterest Clockを提案する。
• 参考スコア（独自算出の注目度）: 14.993810545170343
• License:
• Abstract: User preferences follow a dynamic pattern over a day, e.g., at 8 am, a user might prefer to read news, while at 8 pm, they might prefer to watch movies. Time modeling aims to enable recommendation systems to perceive time changes to capture users' dynamic preferences over time, which is an important and challenging problem in recommendation systems. Especially, streaming recommendation systems in the industry, with only available samples of the current moment, present greater challenges for time modeling. There is still a lack of effective time modeling methods for streaming recommendation systems. In this paper, we propose an effective and universal method Interest Clock to perceive time information in recommendation systems. Interest Clock first encodes users' time-aware preferences into a clock (hour-level personalized features) and then uses Gaussian distribution to smooth and aggregate them into the final interest clock embedding according to the current time for the final prediction. By arming base models with Interest Clock, we conduct online A/B tests, obtaining +0.509% and +0.758% improvements on user active days and app duration respectively. Besides, the extended offline experiments show improvements as well. Interest Clock has been deployed on Douyin Music App.
• Abstract（参考訳）: ユーザーの好みは、例えば午前8時にニュースを読むのが好み、午後8時に映画を見るのが好まれる。 時間モデリングは、リコメンデーションシステムにおいて重要かつ困難な問題である、ユーザの動的嗜好を時間とともに捉えるために、リコメンデーションシステムが時間変化を知覚できるようにすることを目的としている。 特に、業界におけるストリーミングレコメンデーションシステムは、現在利用可能なサンプルのみであり、時間モデリングにおいてより大きな課題を提示している。 ストリーミングレコメンデーションシステムには効果的な時間モデリング方法がない。 本稿では,レコメンデーションシステムにおける時間情報を知覚するための,効果的で普遍的な手法であるInterest Clockを提案する。 Interest Clockはまず、ユーザのタイムアウェアな好みをクロック(時間レベルのパーソナライズされた特徴)にエンコードし、その後、ガウス分布を使用して、それをスムースにし、最終的な予測のために現在の時間に応じて埋め込み、最終利子クロックに集約する。 Interest Clockをベースモデルに組み込むことで、オンラインA/Bテストを実施し、ユーザアクティブ日とアプリ期間で、+0.509%、+0.758%の改善を実現しています。 さらに、オフライン実験の拡張も改善されている。 興味あるClockはDouyin Music Appにデプロイされている。

関連論文リスト

• TIM: Temporal Interaction Model in Notification System [6.377444652197526]
  本稿では,短時間のビデオアプリケーションKuaishouにおいて,CTRを1日ごとの時間帯で推定することにより,ユーザの行動パターンをモデル化するTIMを提案する。 TIMはユーザ行動を予測するための信頼性の高いツールであり,不適切な障害を引き起こすことなく,ユーザのエンゲージメントを著しく向上させる。
  論文  参考訳（メタデータ） (2024-06-11T08:53:15Z)
• System-2 Recommenders: Disentangling Utility and Engagement in Recommendation Systems via Temporal Point-Processes [80.97898201876592]
  本稿では,過去のコンテンツインタラクションが,自己興奮型ホークスプロセスに基づくユーザの到着率に影響を及ぼす生成モデルを提案する。 そこで本研究では,システム1とシステム2のアンタングルを解消し,ユーザ利用によるコンテンツ最適化を可能にすることを解析的に示す。
  論文  参考訳（メタデータ） (2024-05-29T18:19:37Z)
• Ensure Timeliness and Accuracy: A Novel Sliding Window Data Stream Paradigm for Live Streaming Recommendation [11.269716612840751]
  ライブストリーミングレコメンデータシステムは、ユーザの興味をリアルタイムにストリーミングすることを推奨するように設計されている。 ライブストリーミングレコメンデータシステムのタイムラインを改善することが重要な問題である。 本稿では,ラベルのタイムラインと精度の問題に対処する新しいデータストリーム設計パラダイムであるSliverを提案する。
  論文  参考訳（メタデータ） (2024-02-22T09:32:34Z)
• HyperBandit: Contextual Bandit with Hypernewtork for Time-Varying User Preferences in Streaming Recommendation [11.908362247624131]
  既存のストリーミングレコメンデータモデルはタイムスタンプとしてのみ考慮している。 我々はHyperBanditと呼ばれるハイパーネットワークを用いたコンテキスト的バンディット手法を提案する。 提案したHyperBanditは、蓄積された報酬の観点から、最先端のベースラインを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2023-08-14T14:04:57Z)
• Time-aware Hyperbolic Graph Attention Network for Session-based Recommendation [58.748215444851226]
  セッションベースのレコメンデーション(SBR、Session-based Recommendation)は、ユーザの次の関心項目を以前のブラウジングセッションに基づいて予測することである。 時間情報を考慮したセッションベースレコメンデーションモデルを構築するために,TA-HGAT(Time-Aware Hyperbolic Graph Attention Network)を提案する。
  論文  参考訳（メタデータ） (2023-01-10T04:16:09Z)
• 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)
• Should I send this notification? Optimizing push notifications decision making by modeling the future [4.476351684070796]
  最も推奨されるシステムは、ユーザの即時応答に基づいて最適化されるミオピック(myopic)である。 これは、長期的なユーザ満足度の作成など、真の目標と誤解する可能性がある。 この作業では,特に推奨システム決定の長期的な影響が強いモバイルプッシュ通知に重点を置いています。
  論文  参考訳（メタデータ） (2022-02-17T18:27:17Z)
• It's About Time: Analog Clock Reading in the Wild [93.84801062680786]
  自然画像やビデオでアナログクロックを読むためのフレームワークを提案する。 我々は、合成クロックを生成するためのスケーラブルなパイプラインを作成し、労働集約アノテーションの要求を大幅に削減する。 提案した合成データセットに基づいてトレーニングしたモデルは、精度良く実時計に向けて一般化されていることを示す。
  論文  参考訳（メタデータ） (2021-11-17T14:52:02Z)
• 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)
• Sequential Recommender via Time-aware Attentive Memory Network [67.26862011527986]
  本稿では,注意機構と繰り返し単位を改善するための時間ゲーティング手法を提案する。 また,長期と短期の嗜好を統合するマルチホップ・タイムアウェア・アテンテーティブ・メモリ・ネットワークを提案する。 提案手法は,候補探索タスクに対してスケーラブルであり,ドット積に基づくTop-Kレコメンデーションのための潜在因数分解の非線形一般化とみなすことができる。
  論文  参考訳（メタデータ） (2020-05-18T11:29:38Z)

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。