論文の概要: Adapting Job Recommendations to User Preference Drift with Behavioral-Semantic Fusion Learning

• arxiv url: http://arxiv.org/abs/2407.00082v1
• Date: Mon, 24 Jun 2024 14:38:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-07 13:34:23.967655
• Title: Adapting Job Recommendations to User Preference Drift with Behavioral-Semantic Fusion Learning
• Title（参考訳）: 行動・セマンティック・フュージョン・ラーニングによる求人勧告のユーザ嗜好ドリフトへの適応
• Authors: Xiao Han, Chen Zhu, Xiao Hu, Chuan Qin, Xiangyu Zhao, Hengshu Zhu,
• Abstract要約: 求人推薦システムは、オンライン求職における求職者と求職者の機会の整合に不可欠である。 ユーザは、雇用機会を継続的に確保するために、仕事の好みを調整する傾向があります。 セマンティック情報と行動情報の融合学習を通じてユーザの嗜好をモデル化するセッションベースフレームワークBISTROを提案する。
• 参考スコア（独自算出の注目度）: 49.262407095098645
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Job recommender systems are crucial for aligning job opportunities with job-seekers in online job-seeking. However, users tend to adjust their job preferences to secure employment opportunities continually, which limits the performance of job recommendations. The inherent frequency of preference drift poses a challenge to promptly and precisely capture user preferences. To address this issue, we propose a novel session-based framework, BISTRO, to timely model user preference through fusion learning of semantic and behavioral information. Specifically, BISTRO is composed of three stages: 1) coarse-grained semantic clustering, 2) fine-grained job preference extraction, and 3) personalized top-$k$ job recommendation. Initially, BISTRO segments the user interaction sequence into sessions and leverages session-based semantic clustering to achieve broad identification of person-job matching. Subsequently, we design a hypergraph wavelet learning method to capture the nuanced job preference drift. To mitigate the effect of noise in interactions caused by frequent preference drift, we innovatively propose an adaptive wavelet filtering technique to remove noisy interaction. Finally, a recurrent neural network is utilized to analyze session-based interaction for inferring personalized preferences. Extensive experiments on three real-world offline recruitment datasets demonstrate the significant performances of our framework. Significantly, BISTRO also excels in online experiments, affirming its effectiveness in live recruitment settings. This dual success underscores the robustness and adaptability of BISTRO. The source code is available at https://github.com/Applied-Machine-Learning-Lab/BISTRO.
• Abstract（参考訳）: 求人推薦システムは、オンライン求職における求職者と求職者の機会の整合に不可欠である。 しかし、ユーザは雇用機会を継続的に確保するために仕事の選好を調整する傾向にあり、これは仕事の推薦のパフォーマンスを制限している。 好みのドリフトの固有の頻度は、ユーザの好みを迅速かつ正確に捉えることの難しさを生んでいる。 この問題に対処するために,セマンティック情報と行動情報の融合学習を通じてユーザの嗜好をタイムリーにモデル化する,セッションベースの新しいフレームワークBISTROを提案する。 具体的には、BISTROは3つのステージから構成される。 1)粗粒状セマンティッククラスタリング 2)きめ細かい仕事選好抽出、及び 3) パーソナライズされたトップ$$ジョブレコメンデーション。 当初、BISTROはセッションにユーザインタラクションシーケンスを分割し、セッションベースのセマンティッククラスタリングを活用して、パーソナ-ジョブマッチングの広範な識別を実現する。 そこで我々は,不規則な仕事優先のドリフトを捉えるために,ハイパーグラフウェーブレット学習法を設計した。 そこで本研究では,ノイズの除去を目的とした適応ウェーブレットフィルタリング手法を提案する。 最後に、リカレントニューラルネットワークを用いてセッションベースのインタラクションを分析し、パーソナライズされた好みを推測する。 3つの実世界のオフライン採用データセットに関する大規模な実験は、我々のフレームワークの重要なパフォーマンスを示しています。 重要な点として、BISTROはオンライン実験にも優れており、ライブのリクルート環境での有効性を確認している。 この2つの成功は、BISTROの堅牢性と適応性を強調している。 ソースコードはhttps://github.com/Applied-Machine-Learning-Lab/BISTROで公開されている。

関連論文リスト

• Dynamic In-Context Learning from Nearest Neighbors for Bundle Generation [33.25497578184437]
  本稿では,セッション中のユーザのインタラクションに基づいて,パーソナライズされたバンドル生成と,その基盤となる意図推論という2つの相互関連タスクについて検討する。 そこで我々は,ChatGPTが密接に関連するセッションから,高度で動的に学習できる動的インコンテキスト学習パラダイムを提案する。 本研究では,(1)監督信号のないタスク間の相互改善を促進する自己補正戦略,(2)動的監視を繰り返す自動フィードバック機構を開発する。
  論文  参考訳（メタデータ） (2023-12-26T08:24:24Z)
• Context-aware Session-based Recommendation with Graph Neural Networks [6.825493772727133]
  グラフニューラルネットワークを用いた新しいコンテキスト認識セッションベースレコメンデーションモデルであるCARESを提案する。 まず,マルチリレーショナル・クロスセッショングラフを構築し,アイテム内およびクロスセッション・アイテムレベルのコンテキストに応じてアイテムを接続する。 ユーザの興味の変動をエンコードするために、パーソナライズされたアイテム表現を設計する。
  論文  参考訳（メタデータ） (2023-10-14T14:29:52Z)
• Multi-behavior Self-supervised Learning for Recommendation [36.42241501002167]
  本稿では,適応最適化手法とともに,MBSSL(Multi-Behavior Self-Supervised Learning)フレームワークを提案する。 具体的には、行動多重度と依存性をキャプチャする自己認識機構を組み込んだ行動認識型グラフニューラルネットワークを考案する。 5つの実世界のデータセットの実験は、MBSSLが10の最先端技術(SOTA)ベースライン上で得た一貫した改善を示している。
  論文  参考訳（メタデータ） (2023-05-22T15:57:32Z)
• Meta-Wrapper: Differentiable Wrapping Operator for User Interest Selection in CTR Prediction [97.99938802797377]
  クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。 近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。 そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:28:15Z)
• Modeling Dynamic User Preference via Dictionary Learning for Sequential Recommendation [133.8758914874593]
  ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。 浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。 本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
  論文  参考訳（メタデータ） (2022-04-02T03:23:46Z)
• 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)
• From Implicit to Explicit feedback: A deep neural network for modeling sequential behaviours and long-short term preferences of online users [3.464871689508835]
  暗黙的かつ明示的なフィードバックは、有用な推奨のために異なる役割を持つ。 ユーザの嗜好は,長期的利益と短期的利益の組み合わせである,という仮説から導かれる。
  論文  参考訳（メタデータ） (2021-07-26T16:59:20Z)
• Dynamic Graph Collaborative Filtering [64.87765663208927]
  動的レコメンデーションは,逐次データに基づくリアルタイム予測を提供するレコメンデータシステムにとって不可欠である。 本稿では、動的グラフを利用して協調関係とシーケンシャル関係をキャプチャする新しいフレームワーク、Dynamic Graph Collaborative Filtering (DGCF)を提案する。 提案手法は, 動的協調情報の統合の有効性を示すため, 動作繰り返しの少ないデータセットでは高い性能を実現する。
  論文  参考訳（メタデータ） (2021-01-08T04:16:24Z)
• Multi-Interactive Attention Network for Fine-grained Feature Learning in CTR Prediction [48.267995749975476]
  クリックスルー率(ctr)予測シナリオでは、ユーザのシーケンシャルな動作を利用してユーザの関心を捉える。 既存の手法は主にユーザの行動に注意を払っているが、CTR予測には必ずしも適していない。 マルチインタラクティブ・アテンション・ネットワーク (MIAN) を提案し, 各種微細な特徴間の潜在関係を総合的に抽出する。
  論文  参考訳（メタデータ） (2020-12-13T05:46:19Z)

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。