論文の概要: Your decision path does matter in pre-training industrial recommenders with multi-source behaviors

• arxiv url: http://arxiv.org/abs/2405.17132v1
• Date: Mon, 27 May 2024 12:49:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-28 15:22:54.655985
• Title: Your decision path does matter in pre-training industrial recommenders with multi-source behaviors
• Title（参考訳）: マルチソース行動を持つ産業レコメンデーターの事前学習における意思決定経路の重要性
• Authors: Chunjing Gan, Binbin Hu, Bo Huang, Ziqi Liu, Jian Ma, Zhiqiang Zhang, Wenliang Zhong, Jun Zhou,
• Abstract要約: データリッチシナリオから振る舞いを転送することで、高品質な表現を学ぶために、クロスドメインレコメンデーションが導入される。 クロスドメインレコメンデーションのための新しい階層化経路拡張表現学習HIERを提案する。
• 参考スコア（独自算出の注目度）: 25.96328035693982
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online service platforms offering a wide range of services through miniapps have become crucial for users who visit these platforms with clear intentions to find services they are interested in. Aiming at effective content delivery, cross-domain recommendation are introduced to learn high-quality representations by transferring behaviors from data-rich scenarios. However, these methods overlook the impact of the decision path that users take when conduct behaviors, that is, users ultimately exhibit different behaviors based on various intents. To this end, we propose HIER, a novel Hierarchical decIsion path Enhanced Representation learning for cross-domain recommendation. With the help of graph neural networks for high-order topological information of the knowledge graph between multi-source behaviors, we further adaptively learn decision paths through well-designed exemplar-level and information bottleneck based contrastive learning. Extensive experiments in online and offline environments show the superiority of HIER.
• Abstract（参考訳）: ミニアプリを通じて幅広いサービスを提供するオンラインサービスプラットフォームは、興味のあるサービスを見つけるために、これらのプラットフォームを訪問するユーザにとって重要なものとなっている。 効果的なコンテンツ配信を目指して、データ豊富なシナリオから振る舞いを転送することで高品質な表現を学ぶために、クロスドメインレコメンデーションが導入される。 しかし,これらの手法は,ユーザが行動を行う際の意思決定経路の影響を軽視し,最終的には様々な意図に基づいて異なる行動を示す。 そこで本研究では,ドメイン間推薦のための階層的決定経路拡張表現学習であるHIERを提案する。 マルチソース行動間の知識グラフの高次トポロジ情報に対するグラフニューラルネットワークの助けを借りて、よく設計された模範レベルおよび情報ボトルネックに基づくコントラスト学習を通じて決定経路を適応的に学習する。 オンラインおよびオフライン環境での大規模な実験はHIERの優位性を示している。

関連論文リスト

• Adaptive Coordinators and Prompts on Heterogeneous Graphs for Cross-Domain Recommendations [31.05975545409408]
  我々は,マルチドメイングラフを結合構造に統合するフレームワークHAGOを開発した。 また、ユニバーサルなマルチドメイングラフ事前学習戦略も開発している。 提案手法は,マルチドメインレコメンデーションシナリオにおいて最先端の手法より優れている。
  論文  参考訳（メタデータ） (2024-10-15T15:50:53Z)
• Robust Task Representations for Offline Meta-Reinforcement Learning via Contrastive Learning [21.59254848913971]
  オフラインメタ強化学習は、オフラインデータから学習して新しいタスクに適応する強化学習パラダイムである。 本稿では,学習・テストにおける行動方針の分布に頑健なタスク表現のための対照的な学習フレームワークを提案する。 様々なオフラインメタ強化学習ベンチマークの実験は,従来の手法よりも提案手法の利点を実証している。
  論文  参考訳（メタデータ） (2022-06-21T14:46:47Z)
• Reinforced MOOCs Concept Recommendation in Heterogeneous Information Networks [22.827250316693803]
  いくつかのMOOCプラットフォームは、ユーザの学習体験を改善するために、もちろんユーザにレコメンデーションを提供する。 このサービスの有用性にもかかわらず、ユーザーに直接コースを推薦することは、様々な専門知識を無視する可能性があると考えている。 異種情報ネットワークと強化学習に基づくMOOCにおける概念推薦のための新しい手法であるHinCRec-RLを提案する。
  論文  参考訳（メタデータ） (2022-03-08T05:10:55Z)
• 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)
• 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)
• Generative Adversarial Reward Learning for Generalized Behavior Tendency Inference [71.11416263370823]
  ユーザの行動嗜好モデルのための生成的逆強化学習を提案する。 我々のモデルは,差別的アクター批判ネットワークとWasserstein GANに基づいて,ユーザの行動から報酬を自動的に学習することができる。
  論文  参考訳（メタデータ） (2021-05-03T13:14:25Z)
• Generative Inverse Deep Reinforcement Learning for Online Recommendation [62.09946317831129]
  オンラインレコメンデーションのための新しい逆強化学習手法InvRecを提案する。 InvRecは、オンラインレコメンデーションのために、ユーザの行動から報酬関数を自動的に抽出する。
  論文  参考訳（メタデータ） (2020-11-04T12:12:25Z)
• Learning Transferrable Parameters for Long-tailed Sequential User Behavior Modeling [70.64257515361972]
  テールユーザに注力することで、より多くのメリットをもたらし、長いテールの問題に対処できる、と私たちは主張しています。 具体的には、頭部から尾部への知識伝達を容易にするために、勾配アライメントを提案し、敵のトレーニングスキームを採用する。
  論文  参考訳（メタデータ） (2020-10-22T03:12:02Z)
• Knowledge-guided Deep Reinforcement Learning for Interactive Recommendation [49.32287384774351]
  インタラクティブレコメンデーションは、アイテムとユーザ間の動的インタラクションから学び、応答性と精度を達成することを目的としている。 本稿では,知識指導型深層強化学習を提案する。
  論文  参考訳（メタデータ） (2020-04-17T05:26:47Z)
• Heterogeneous Relational Reasoning in Knowledge Graphs with Reinforcement Learning [21.33973806169273]
  本稿では,局所的な情報を用いて知識グラフ上の経路に基づく効率的な推論を行う型強化学習エージェントを提案する。 我々のソリューションは、近隣情報を符号化するためにグラフニューラルネットワーク(GNN)を使用し、アクション空間を熟成するためにエンティティタイプを利用する。
  論文  参考訳（メタデータ） (2020-03-12T22:39:58Z)

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。