論文の概要: Making Recommender Systems More Knowledgeable: A Framework to Incorporate Side Information

• arxiv url: http://arxiv.org/abs/2406.00615v1
• Date: Sun, 2 Jun 2024 04:33:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-06 04:06:07.012932
• Title: Making Recommender Systems More Knowledgeable: A Framework to Incorporate Side Information
• Title（参考訳）: Recommender システムをより理解しやすいものにする - サイド情報を組み込むフレームワーク
• Authors: Yukun Jiang, Leo Guo, Xinyi Chen, Jing Xi Liu,
• Abstract要約: 本稿では,商品別サイド情報をレコメンダシステムに組み込んでパフォーマンスを高めるための汎用フレームワークを提案する。 副次的な情報により、我々の推薦システムは最先端のモデルよりもかなりのマージンで優れていることを示す。 また、リコメンデータシステムで使用される注意機構を標準化し、モデル性能への影響を評価するために、新しいタイプの損失を提案する。
• 参考スコア（独自算出の注目度）: 5.033504076393256
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Session-based recommender systems typically focus on using only the triplet (user_id, timestamp, item_id) to make predictions of users' next actions. In this paper, we aim to utilize side information to help recommender systems catch patterns and signals otherwise undetectable. Specifically, we propose a general framework for incorporating item-specific side information into the recommender system to enhance its performance without much modification on the original model architecture. Experimental results on several models and datasets prove that with side information, our recommender system outperforms state-of-the-art models by a considerable margin and converges much faster. Additionally, we propose a new type of loss to regularize the attention mechanism used by recommender systems and evaluate its influence on model performance. Furthermore, through analysis, we put forward a few insights on potential further improvements.
• Abstract（参考訳）: セッションベースのレコメンデータシステムは、通常、ユーザの次のアクションを予測するために三重項(user_id、timetamp、Item_id)だけを使うことにフォーカスする。 本稿では,検出不能なパターンや信号の発見を支援するために,副次的情報を活用することを目的とする。 具体的には,商品特化側情報をレコメンダシステムに組み込んで,オリジナルのモデルアーキテクチャの変更を伴わずに性能を向上させるための汎用フレームワークを提案する。 いくつかのモデルとデータセットの実験結果から,提案システムでは,サイド情報により,最先端モデルよりもかなりのマージンで性能が向上し,より高速に収束することが証明された。 さらに,リコメンデータシステムで使用されるアテンションメカニズムを規則化し,モデル性能への影響を評価するために,新たなタイプのロスを提案する。 さらに、分析を通じて、さらなる改善の可能性についていくつかの知見を提出した。

関連論文リスト

• Incorporating Classifier-Free Guidance in Diffusion Model-Based Recommendation [0.0]
  Diffusionは、従来のジェネレーティブAIアプローチを改善した、ジェネレーティブAIの新しいアプローチである。 我々は,閲覧や評価項目のシーケンスを反映したレコメンデーションシステムに拡散を取り入れた。
  論文  参考訳（メタデータ） (2024-09-16T17:27:27Z)
• SynerGraph: An Integrated Graph Convolution Network for Multimodal Recommendation [1.3812010983144802]
  本稿では,マルチモーダルデータの統合と浄化に焦点をあてた,マルチモーダルレコメンデーションシステムに対する新しいアプローチを提案する。 各種データからノイズを除去するフィルタを開発し,提案手法の信頼性を高めた。 我々は、各データセットに対するトップKスパリフィケーションの影響を調査し、不適合と過適合のバランスをとる最適な値を発見した。
  論文  参考訳（メタデータ） (2024-05-29T12:18:32Z)
• Impression-Aware Recommender Systems [57.38537491535016]
  新たなデータソースは、レコメンデーションシステムの品質を改善する新しい機会をもたらす。 研究者はインプレッションを使ってユーザーの好みを洗練させ、推奨システム研究の現在の制限を克服することができる。 本稿ではインプレッションを用いたレコメンデーションシステムに関する体系的な文献レビューを行う。
  論文  参考訳（メタデータ） (2023-08-15T16:16:02Z)
• RGRecSys: A Toolkit for Robustness Evaluation of Recommender Systems [100.54655931138444]
  複数の次元を包含するレコメンダシステムに対して,ロバスト性に関するより包括的視点を提案する。 本稿では、RecSys用のロバストネス評価ツールキットRobustness Gymを紹介し、リコメンダシステムモデルのロバストネスを迅速かつ均一に評価できるようにする。
  論文  参考訳（メタデータ） (2022-01-12T10:32:53Z)
• Reinforcement Learning based Path Exploration for Sequential Explainable Recommendation [57.67616822888859]
  強化学習(TMER-RL)を活用した新しい時間的メタパスガイド型説明可能な勧告を提案する。 TMER-RLは, 動的知識グラフ上での動的ユーザ・イテム進化を逐次モデル化するために, 注意機構を持つ連続項目間の強化項目・イテムパスをモデル化する。 2つの実世界のデータセットに対するTMERの大規模な評価は、最近の強いベースラインと比較して最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2021-11-24T04:34:26Z)
• Recommender systems based on graph embedding techniques: A comprehensive review [9.871096870138043]
  本稿では,二部グラフ,一般グラフ,知識グラフの埋め込み手法からのグラフ埋め込みに基づく推薦を体系的に振り返る。 いくつかの代表的なグラフ埋め込みベースのレコメンデーションモデルと、最もよく使われている従来のレコメンデーションモデルを比較すると、従来のモデルは、暗黙のユーザ-イテム相互作用を予測するためにグラフ埋め込みベースのレコメンデーションモデルよりも総合的に優れていることが示される。
  論文  参考訳（メタデータ） (2021-09-20T14:42:39Z)
• PURS: Personalized Unexpected Recommender System for Improving User Satisfaction [76.98616102965023]
  本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。 3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-06-05T01:33:21Z)
• A Survey on Neural Recommendation: From Collaborative Filtering to Content and Context Enriched Recommendation [70.69134448863483]
  レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。 近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
  論文  参考訳（メタデータ） (2021-04-27T08:03:52Z)
• ML-based Visualization Recommendation: Learning to Recommend Visualizations from Data [44.90479301447387]
  ビジュアライゼーションレコメンデーションは、ユーザーに自動的に有用なビジュアライゼーションを生成し、スコア付けし、推奨する。 本稿では,データセットと視覚化の大規模なコーパスを入力として利用する,エンドツーエンドのMLベースの可視化システムを提案する。 エンドツーエンドのMLベースのシステムでは、既存の最先端のルールベースのシステムと比較して、より効果的で有用な視覚化を推奨しています。
  論文  参考訳（メタデータ） (2020-09-25T16:13:29Z)
• Explainable Recommender Systems via Resolving Learning Representations [57.24565012731325]
  説明はユーザー体験を改善し、システムの欠陥を発見するのに役立つ。 本稿では,表現学習プロセスの透明性を向上させることによって,説明可能な新しい推薦モデルを提案する。
  論文  参考訳（メタデータ） (2020-08-21T05:30:48Z)
• Feature Interaction Interpretability: A Case for Explaining Ad-Recommendation Systems via Neural Interaction Detection [14.37985060340549]
  ブラックボックスレコメンデータシステムの予測を解釈・拡張する手法を提案する。 また,レコメンデータシステムの構造を仮定しないので,一般的な設定で利用することができる。
  論文  参考訳（メタデータ） (2020-06-19T05:14:34Z)

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。