論文の概要: ReCODE: Modeling Repeat Consumption with Neural ODE

• arxiv url: http://arxiv.org/abs/2405.16550v1
• Date: Sun, 26 May 2024 12:40:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-28 20:39:12.271027
• Title: ReCODE: Modeling Repeat Consumption with Neural ODE
• Title（参考訳）: ReCODE: ニューラルネットワークによる繰り返し消費のモデル化
• Authors: Sunhao Dai, Changle Qu, Sirui Chen, Xiao Zhang, Jun Xu,
• Abstract要約: 実世界のレコメンデーションシステムでは、リピート消費はユーザーが好みの曲やアーティストの小さなセットを何度も繰り返し聞く一般的な現象である。 本稿では、ニューラルODEを用いて繰り返し消費をモデル化する新しいモデルに依存しないフレームワークであるReCODEを提案する。
• 参考スコア（独自算出の注目度）: 6.536848422865966
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In real-world recommender systems, such as in the music domain, repeat consumption is a common phenomenon where users frequently listen to a small set of preferred songs or artists repeatedly. The key point of modeling repeat consumption is capturing the temporal patterns between a user's repeated consumption of the items. Existing studies often rely on heuristic assumptions, such as assuming an exponential distribution for the temporal gaps. However, due to the high complexity of real-world recommender systems, these pre-defined distributions may fail to capture the intricate dynamic user consumption patterns, leading to sub-optimal performance. Drawing inspiration from the flexibility of neural ordinary differential equations (ODE) in capturing the dynamics of complex systems, we propose ReCODE, a novel model-agnostic framework that utilizes neural ODE to model repeat consumption. ReCODE comprises two essential components: a user's static preference prediction module and the modeling of user dynamic repeat intention. By considering both immediate choices and historical consumption patterns, ReCODE offers comprehensive modeling of user preferences in the target context. Moreover, ReCODE seamlessly integrates with various existing recommendation models, including collaborative-based and sequential-based models, making it easily applicable in different scenarios. Experimental results on two real-world datasets consistently demonstrate that ReCODE significantly improves the performance of base models and outperforms other baseline methods.
• Abstract（参考訳）: 音楽分野のような現実世界のレコメンデーションシステムでは、ユーザーが好みの曲やアーティストの小さなセットを頻繁に聞く現象がよく見られる。 繰り返し消費をモデル化する鍵となる点は、ユーザーが繰り返し消費するアイテムの間の時間的パターンを捉えることである。 既存の研究は時空ギャップの指数分布を仮定するなど、しばしばヒューリスティックな仮定に依存している。 しかし、現実のレコメンデータシステムの複雑さが高いため、これらの事前定義された分布は複雑な動的なユーザ消費パターンを捉えず、サブ最適性能をもたらす可能性がある。 複雑なシステムの力学を捉える際に、ニューラル常微分方程式(ODE)の柔軟性から着想を得たReCODEは、ニューラルODEを用いて繰り返し消費をモデル化する新しいモデルに依存しないフレームワークである。 ReCODEは、ユーザの静的嗜好予測モジュールと、ユーザの動的反復意図のモデリングという、2つの重要なコンポーネントから構成される。 即時選択と過去の消費パターンの両方を考慮することで、ReCODEはターゲットコンテキストにおけるユーザー好みの包括的なモデリングを提供する。 さらにReCODEは、コラボレーションベースやシーケンシャルベースのモデルなど、既存のさまざまなレコメンデーションモデルとシームレスに統合することで、さまざまなシナリオに容易に適用できます。 2つの実世界のデータセットに対する実験結果から、ReCODEはベースモデルの性能を大幅に改善し、他のベースライン手法より優れていることが示された。

関連論文リスト

• On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
  拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。 本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
  論文  参考訳（メタデータ） (2024-05-18T15:59:41Z)
• Foundational Inference Models for Dynamical Systems [5.549794481031468]
  我々は,ODEによって決定されると仮定される時系列データの欠落を補うという古典的な問題に対して,新たな視点を提供する。 本稿では,いくつかの(隠れた)ODEを満たすパラメトリック関数を通じて,ゼロショット時系列計算のための新しい教師付き学習フレームワークを提案する。 我々は,1と同一(事前学習)の認識モデルが,63個の異なる時系列に対してゼロショット計算を行なえることを実証的に実証した。
  論文  参考訳（メタデータ） (2024-02-12T11:48:54Z)
• Learning PDE Solution Operator for Continuous Modeling of Time-Series [1.39661494747879]
  この研究は、動的モデリング能力を改善する偏微分方程式(PDE)に基づくフレームワークを提案する。 時間的離散化の反復的操作や特定のグリッドを必要とせずに連続的に処理できるニューラル演算子を提案する。 我々のフレームワークは、現実世界のアプリケーションに容易に適用可能な、ニューラルネットワークの継続的な表現のための新しい方法を開く。
  論文  参考訳（メタデータ） (2023-02-02T03:47:52Z)
• On the balance between the training time and interpretability of neural ODE for time series modelling [77.34726150561087]
  本稿は,現代のニューラルODEを,時系列モデリングアプリケーションのためのより単純なモデルに還元することはできないことを示す。 ニューラルODEの複雑さは、従来の時系列モデリングツールと比較されるか、超える。 本稿では,ニューラルネットワークとODEシステムを用いた時系列モデリングの新しい視点を提案する。
  論文  参考訳（メタデータ） (2022-06-07T13:49:40Z)
• 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)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• Sparse Flows: Pruning Continuous-depth Models [107.98191032466544]
  生成モデルにおいて,プルーニングによりニューラルネットワークの一般化が向上することを示す。 また、プルーニングは、元のネットワークに比べて最大98%少ないパラメータで、精度を損なうことなく、最小かつ効率的なニューラルODE表現を見出すことを示した。
  論文  参考訳（メタデータ） (2021-06-24T01:40:17Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• DyNODE: Neural Ordinary Differential Equations for Dynamics Modeling in Continuous Control [0.0]
  本稿では,ニューラル常微分方程式の枠組みに制御を組み込むことにより,システムの基盤となる力学を捉える新しい手法を提案する。 以上の結果から,アクター批判強化学習アルゴリズムと組み合わせた単純なDyNODEアーキテクチャが,標準ニューラルネットワークより優れていることが示唆された。
  論文  参考訳（メタデータ） (2020-09-09T12:56:58Z)

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。