論文の概要: Modeling User Fatigue for Sequential Recommendation
- arxiv url: http://arxiv.org/abs/2405.11764v2
- Date: Wed, 22 May 2024 07:22:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-11 00:30:33.519130
- Title: Modeling User Fatigue 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ユーザ疲労のモデル化
- Authors: Nian Li, Xin Ban, Cheng Ling, Chen Gao, Lantao Hu, Peng Jiang, Kun Gai, Yong Li, Qingmin Liao,
- Abstract要約: ユーザーは、短い歴史の中で露出したコンテンツに似すぎているレコメンデーションにうんざりしているかもしれない。
より良いユーザエクスペリエンスを実現することの重要性にもかかわらず、ユーザの疲労は、既存のレコメンデーションによって調査されることはめったにありません。
シーケンシャルレコメンデーション(FRec)のための関心学習におけるユーザ疲労のモデル化を提案する。
- 参考スコア(独自算出の注目度): 45.072357820562665
- License:
- Abstract: Recommender systems filter out information that meets user interests. However, users may be tired of the recommendations that are too similar to the content they have been exposed to in a short historical period, which is the so-called user fatigue. Despite the significance for a better user experience, user fatigue is seldom explored by existing recommenders. In fact, there are three main challenges to be addressed for modeling user fatigue, including what features support it, how it influences user interests, and how its explicit signals are obtained. In this paper, we propose to model user Fatigue in interest learning for sequential Recommendations (FRec). To address the first challenge, based on a multi-interest framework, we connect the target item with historical items and construct an interest-aware similarity matrix as features to support fatigue modeling. Regarding the second challenge, built upon feature cross, we propose a fatigue-enhanced multi-interest fusion to capture long-term interest. In addition, we develop a fatigue-gated recurrent unit for short-term interest learning, with temporal fatigue representations as important inputs for constructing update and reset gates. For the last challenge, we propose a novel sequence augmentation to obtain explicit fatigue signals for contrastive learning. We conduct extensive experiments on real-world datasets, including two public datasets and one large-scale industrial dataset. Experimental results show that FRec can improve AUC and GAUC up to 0.026 and 0.019 compared with state-of-the-art models, respectively. Moreover, large-scale online experiments demonstrate the effectiveness of FRec for fatigue reduction. Our codes are released at https://github.com/tsinghua-fib-lab/SIGIR24-FRec.
- Abstract(参考訳): リコメンダシステムは、ユーザの関心を満たす情報をフィルタリングする。
しかし、ユーザーは、短い期間に露出したコンテンツに似すぎているレコメンデーションにうんざりしているかもしれない。
より良いユーザエクスペリエンスを実現することの重要性にもかかわらず、ユーザの疲労は、既存のレコメンデーションによって調査されることはめったにありません。
実際、ユーザ疲労のモデル化には、どのような機能をサポートするか、それがユーザの関心にどのように影響するか、その明示的なシグナルがどのように得られるか、という3つの課題がある。
本稿では,関心学習におけるユーザの疲労をモデル化し,逐次勧告(FRec)を提案する。
本研究は,多目的フレームワークに基づく最初の課題に対処するため,対象項目を過去の項目と結びつけ,疲労モデリングを支援する機能として関心を意識した類似性行列を構築する。
機能横断に基づく第2の課題について,長期的関心を捉えるための疲労強化多目的融合を提案する。
さらに,時間的疲労表現を更新とリセットゲートを構築するための重要な入力として用いた,短期的利害学習のための疲労ゲートリカレントユニットを開発した。
最後の課題として、コントラスト学習のための明示的な疲労信号を得るために、新しいシーケンス拡張を提案する。
2つのパブリックデータセットと1つの大規模産業データセットを含む、現実世界のデータセットに関する広範な実験を行います。
実験の結果, FRec は AUC と GAUC をそれぞれ 0.026 と 0.019 に改善できることがわかった。
さらに,大規模オンライン実験は疲労低減のためのFRecの有効性を示した。
私たちのコードはhttps://github.com/tsinghua-fib-lab/SIGIR24-FRec.comで公開されています。
関連論文リスト
- AdaF^2M^2: Comprehensive Learning and Responsive Leveraging Features in Recommendation System [16.364341783911414]
本稿では,モデルに依存しないフレームワークであるAdaF2M2を提案する。
AdaF2M2でベースモデルを固定することにより、複数のレコメンデーションシナリオでオンラインA/Bテストを行い、ユーザアクティブ日とアプリ期間で+1.37%、+1.89%の累積的な改善を実現した。
論文 参考訳(メタデータ) (2025-01-27T06:49:27Z) - Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。
近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。
マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
論文 参考訳(メタデータ) (2024-11-22T15:29:05Z) - An Early FIRST Reproduction and Improvements to Single-Token Decoding for Fast Listwise Reranking [50.81324768683995]
FIRSTは、学習からランクへの目的を統合し、最初の生成されたトークンのみのロジットを活用する新しいアプローチである。
我々は、FIRSTの評価をTRECディープラーニングデータセット(DL19-22)に拡張し、様々な領域でその堅牢性を検証する。
我々の実験は、単一トークンの高速リランクは、ドメイン外リランクの品質を損なうものではないことを確認した。
論文 参考訳(メタデータ) (2024-11-08T12:08:17Z) - Beyond Thumbs Up/Down: Untangling Challenges of Fine-Grained Feedback for Text-to-Image Generation [67.88747330066049]
きめ細かいフィードバックは、画像の品質と迅速な調整におけるニュアンスドの区別を捉えます。
粗いフィードバックに対する優位性を示すことは、自動ではないことを示す。
きめ細かいフィードバックを抽出し活用する上で重要な課題を特定します。
論文 参考訳(メタデータ) (2024-06-24T17:19:34Z) - IFA: Interaction Fidelity Attention for Entire Lifelong Behaviour Sequence Modeling [25.951109597584747]
生涯にわたるユーザの行動シーケンスは、ユーザの嗜好に関する情報を豊富に提供し、レコメンデーションタスクにおいて印象的な改善を得る。
オンラインサービスにおける厳しいレイテンシ要件を満たすため、ターゲット項目との類似性に基づいて短いサブシーケンスをサンプリングする。
我々は、textbfInteraction textbfFidelity textbfAttention (textbfIFA) と命名されたフルライフロングシーケンスをモデル化するための新しい効率的なパラダイムを提案する。
論文 参考訳(メタデータ) (2024-06-14T06:16:03Z) - MISSRec: Pre-training and Transferring Multi-modal Interest-aware
Sequence Representation for Recommendation [61.45986275328629]
逐次レコメンデーションのためのマルチモーダル事前学習・転送学習フレームワークであるMISSRecを提案する。
ユーザ側ではトランスフォーマーベースのエンコーダデコーダモデルを設計し、コンテキストエンコーダがシーケンスレベルのマルチモーダルユーザ興味を捉えることを学習する。
候補項目側では,ユーザ適応項目表現を生成するために動的融合モジュールを採用する。
論文 参考訳(メタデータ) (2023-08-22T04:06:56Z) - TransAct: Transformer-based Realtime User Action Model for
Recommendation at Pinterest [17.247452803197362]
本稿では、PinterestのHomefeedランキングアーキテクチャについて述べる。
本研究では,リアルタイム活動からユーザの短期的嗜好を抽出するシーケンシャルモデルであるTransActを提案する。
本稿では, アブレーション研究の結果, 生産時の課題, オンラインA/B実験の結果について述べる。
論文 参考訳(メタデータ) (2023-05-31T23:45:29Z) - FAN: Fatigue-Aware Network for Click-Through Rate Prediction in
E-commerce Recommendation [5.789227114547952]
非クリックによるユーザの疲労を直接知覚する新しいCTRモデルであるFref-Aware Network (FAN)を提案する。
実世界のデータセットを用いて、FANの優位性を検証し、オンラインA/Bテストにより、FANが代表的CTRモデルよりも優れていたことも明らかにした。
論文 参考訳(メタデータ) (2023-04-10T11:58:42Z) - 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) - Recurrent Feedback Improves Recognition of Partially Occluded Objects [1.452875650827562]
人工ニューラルネットワークが再発の恩恵を受けるかどうかについて検討する。
競合パラメトリック複雑性のフィードフォワードモデルと比較して,繰り返しモデルでは分類精度が有意に高いことがわかった。
論文 参考訳(メタデータ) (2021-04-21T16:18:34Z)
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。