Fugu-MT 論文翻訳(概要): HMAR: Hierarchical Masked Attention for Multi-Behaviour Recommendation

論文の概要: HMAR: Hierarchical Masked Attention for Multi-Behaviour Recommendation

arxiv url: http://arxiv.org/abs/2405.09638v1
Date: Mon, 29 Apr 2024 14:54:37 GMT
ステータス: 処理完了
システム内更新日: 2024-05-27 03:17:55.460870
Title: HMAR: Hierarchical Masked Attention for Multi-Behaviour Recommendation
Title（参考訳）: HMAR:マルチビヘイビアレコメンデーションのための階層型マスケッドアテンション
Authors: Shereen Elsayed, Ahmed Rashed, Lars Schmidt-Thieme,
Abstract要約: マルチビヘイビアレコメンデーション(HMAR)のための階層型マスケッドアテンションを導入する。当社のアプローチでは,同じ行動の項目にマスク付き自己注意を適用し,その後,すべての行動に自己意識を付与する。提案モデルはマルチタスク設定で動作し、アイテムの振る舞いと関連するランキングスコアを同時に学習することができる。
参考スコア（独自算出の注目度）: 6.946903076677841
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In the context of recommendation systems, addressing multi-behavioral user interactions has become vital for understanding the evolving user behavior. Recent models utilize techniques like graph neural networks and attention mechanisms for modeling diverse behaviors, but capturing sequential patterns in historical interactions remains challenging. To tackle this, we introduce Hierarchical Masked Attention for multi-behavior recommendation (HMAR). Specifically, our approach applies masked self-attention to items of the same behavior, followed by self-attention across all behaviors. Additionally, we propose historical behavior indicators to encode the historical frequency of each items behavior in the input sequence. Furthermore, the HMAR model operates in a multi-task setting, allowing it to learn item behaviors and their associated ranking scores concurrently. Extensive experimental results on four real-world datasets demonstrate that our proposed model outperforms state-of-the-art methods. Our code and datasets are available here (https://github.com/Shereen-Elsayed/HMAR).
Abstract（参考訳）: レコメンデーションシステムでは,ユーザ行動の進化を理解する上で,複数の行動的ユーザインタラクションに対処することが不可欠になっている。最近のモデルでは、グラフニューラルネットワークやアテンションメカニズムなどの手法を使って多様な振る舞いをモデル化しているが、歴史的相互作用におけるシーケンシャルなパターンのキャプチャは依然として困難である。この問題に対処するために,多行動レコメンデーション(HMAR)のための階層型マスケッド注意(Hierarchical Masked Attention)を導入する。具体的には、同じ行動の項目にマスク付き自己注意を適用し、その後全ての行動に自己意識を付与する。さらに,各項目の行動の履歴頻度を入力シーケンスにエンコードする履歴行動指標を提案する。さらに、HMARモデルはマルチタスク環境で動作し、アイテムの振る舞いと関連するランキングスコアを同時に学習することができる。 4つの実世界のデータセットに対する大規模な実験結果から,提案モデルが最先端の手法より優れていることが示された。私たちのコードとデータセットはここで入手可能です(https://github.com/Shereen-Elsayed/HMAR)。

関連論文リスト

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)
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)
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)
Incorporating Heterogeneous User Behaviors and Social Influences for Predictive Analysis [32.31161268928372]
我々は,行動予測に異質なユーザ行動と社会的影響を取り入れることを目指している。本稿では,行動シーケンスのコンテキストを考慮したLong-Short Term Memory (LSTM)を提案する。残差学習に基づくデコーダは、社会的行動表現に基づいて、複数の高次クロス機能を自動的に構築するように設計されている。
論文参考訳（メタデータ） (2022-07-24T17:05:37Z)
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)
Learning Self-Modulating Attention in Continuous Time Space with Applications to Sequential Recommendation [102.24108167002252]
本稿では,複雑で非線形に進化する動的ユーザの嗜好をモデル化する,自己変調型注意ネットワークを提案する。提案手法がトップNシーケンシャルなレコメンデーションタスクに与える影響を実証的に示すとともに,3つの大規模実世界のデータセットによる結果から,我々のモデルが最先端のパフォーマンスを達成できることを示す。
論文参考訳（メタデータ） (2022-03-30T03:54:11Z)
Multiplex Behavioral Relation Learning for Recommendation via Memory Augmented Transformer Network [25.563806871858073]
本研究では,メモリ拡張トランスフォーマーネットワーク(MATN)を提案する。 MATNフレームワークでは、まずトランスフォーマーに基づくマルチビヘイビア関係エンコーダを開発し、学習された相互作用表現をクロスタイプ行動関係を反映させる。 MATNをスーパーチャージするメモリアテンションネットワークを提案し、異なる種類の振る舞いのコンテキスト信号をカテゴリ固有の潜在埋め込み空間にキャプチャする。
論文参考訳（メタデータ） (2021-10-08T09:54:43Z)
Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
論文参考訳（メタデータ） (2021-10-08T09:44:00Z)
Graph Meta Network for Multi-Behavior Recommendation [24.251784947151755]
本稿では,マルチビヘイビアパターンモデリングをメタラーニングパラダイムに組み込むために,グラフメタネットワークを用いたマルチビヘイビアレコメンデーションフレームワークを提案する。我々の開発したMB-GMNは、型に依存した行動表現を明らかにする能力により、ユーザ-イテム相互作用学習を増強する。
論文参考訳（メタデータ） (2021-10-08T08:38:27Z)
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)

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。