Fugu-MT 論文翻訳(概要): Denoising Long- and Short-term Interests for Sequential Recommendation

論文の概要: Denoising Long- and Short-term Interests for Sequential Recommendation

arxiv url: http://arxiv.org/abs/2407.14743v1
Date: Sat, 20 Jul 2024 03:52:14 GMT
ステータス: 処理完了
システム内更新日: 2024-07-23 21:04:01.104070
Title: Denoising Long- and Short-term Interests 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長期的・短期的関心
Authors: Xinyu Zhang, Beibei Li, Beihong Jin,
Abstract要約: LSIDN(Long-term Interest Denoising Network)を提案する。我々は,長期金利モデルにセッション間行動ノイズを導入することを避けるために,セッションレベルの関心抽出と進化戦略を採用している。 2つの公開データセットによる実験の結果、LSIDNは最先端モデルよりも一貫して優れていた。
参考スコア（独自算出の注目度）: 11.830033570949944
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: User interests can be viewed over different time scales, mainly including stable long-term preferences and changing short-term intentions, and their combination facilitates the comprehensive sequential recommendation. However, existing work that focuses on different time scales of user modeling has ignored the negative effects of different time-scale noise, which hinders capturing actual user interests and cannot be resolved by conventional sequential denoising methods. In this paper, we propose a Long- and Short-term Interest Denoising Network (LSIDN), which employs different encoders and tailored denoising strategies to extract long- and short-term interests, respectively, achieving both comprehensive and robust user modeling. Specifically, we employ a session-level interest extraction and evolution strategy to avoid introducing inter-session behavioral noise into long-term interest modeling; we also adopt contrastive learning equipped with a homogeneous exchanging augmentation to alleviate the impact of unintentional behavioral noise on short-term interest modeling. Results of experiments on two public datasets show that LSIDN consistently outperforms state-of-the-art models and achieves significant robustness.
Abstract（参考訳）: ユーザの関心は、主に安定した長期的な嗜好や短期的な意図の変化など、さまざまな時間スケールで見ることができ、それらの組み合わせは包括的なシーケンシャルなレコメンデーションを促進する。しかし、ユーザモデリングの異なる時間スケールに焦点を当てた既存の研究は、実際のユーザの関心を捉えるのを妨げ、従来のシーケンシャルな認知法では解決できない、異なる時間スケールノイズの負の効果を無視している。本稿では,異なるエンコーダと,長期的および短期的な利害関係を抽出し,包括的およびロバストなユーザモデリングを両立させる,長期的および短期的利害関係決定ネットワーク(LSIDN)を提案する。具体的には、セッションレベルの利害関係抽出と進化戦略を用いて、長期利害関係モデリングへのセッション間行動ノイズの導入を回避し、また、非意図的行動ノイズが短期利害関係モデリングに与える影響を軽減するために、均質な交換強化を備えたコントラスト学習を採用する。 2つの公開データセットによる実験の結果、LSIDNは最先端のモデルより一貫して優れており、大きな堅牢性を実現している。

関連論文リスト

TimeBridge: Non-Stationarity Matters for Long-term Time Series Forecasting [49.6208017412376]
TimeBridgeは、非定常性と依存性モデリングの間のギャップを埋めるために設計された新しいフレームワークである。 TimeBridgeは、短期予測と長期予測の両方において、最先端のパフォーマンスを一貫して達成する。
論文参考訳（メタデータ） (2024-10-06T10:41:03Z)
SelfGNN: Self-Supervised Graph Neural Networks for Sequential Recommendation [15.977789295203976]
本稿では,SelfGNN(Self-Supervised Graph Neural Network)と呼ばれる新しいフレームワークを提案する。 SelfGNNフレームワークは、時間間隔に基づいて短期グラフを符号化し、グラフニューラルネットワーク(GNN)を使用して短期的な協調関係を学習する。パーソナライズされた自己強化学習構造は、長期のユーザ関心と個人の安定性に基づいて、短期的なグラフにおけるノイズを緩和することにより、モデルロバスト性を高める。
論文参考訳（メタデータ） (2024-05-31T14:53:12Z)
SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文参考訳（メタデータ） (2024-05-29T08:00:15Z)
Denoising Time Cycle Modeling for Recommendation [19.62210742613065]
既存の手法はユーザの行動の時間的パターンを無視する。本稿では,ユーザの振る舞いを識別する新しい手法であるDenoising Time Cycle Modeling (DiCycle)を提案する。 DiCycleは、推薦のために多様なサイクルパターンを明示的にモデル化することができる。
論文参考訳（メタデータ） (2024-02-05T04:28:08Z)
Unraveling the Temporal Dynamics of the Unet in Diffusion Models [33.326244121918634]
拡散モデルはガウスノイズをトレーニングデータに導入し、元のデータを反復的に再構築する。この反復プロセスの中心は単一のUnetであり、生成を容易にするために時間ステップを越えて適応する。近年の研究では, この生成過程における組成および脱臭相の存在が明らかにされている。
論文参考訳（メタデータ） (2023-12-17T04:40:33Z)
IDNP: Interest Dynamics Modeling using Generative Neural Processes for Sequential Recommendation [40.4445022666304]
我々は,機能的視点からユーザ興味をモデル化するために,生成型 textbfNeural textbfProcesses を用いた textbfInterest textbfDynamics モデリングフレームワークを提案する。本モデルでは,各種評価指標の最先端性に優れる。
論文参考訳（メタデータ） (2022-08-09T08:33:32Z)
Learning Sequence Representations by Non-local Recurrent Neural Memory [61.65105481899744]
教師付きシーケンス表現学習のためのNon-local Recurrent Neural Memory (NRNM)を提案する。我々のモデルは長距離依存を捉えることができ、潜伏した高レベル特徴を我々のモデルで抽出することができる。我々のモデルは、これらのシーケンスアプリケーションごとに特別に設計された他の最先端の手法と比較して好意的に比較する。
論文参考訳（メタデータ） (2022-07-20T07:26:15Z)
Learning Self-Modulating Attention in Continuous Time Space with Applications to Sequential Recommendation [102.24108167002252]
本稿では,複雑で非線形に進化する動的ユーザの嗜好をモデル化する,自己変調型注意ネットワークを提案する。提案手法がトップNシーケンシャルなレコメンデーションタスクに与える影響を実証的に示すとともに,3つの大規模実世界のデータセットによる結果から,我々のモデルが最先端のパフォーマンスを達成できることを示す。
論文参考訳（メタデータ） (2022-03-30T03:54:11Z)
Dynamic Memory based Attention Network for Sequential Recommendation [79.5901228623551]
DMAN(Dynamic Memory-based Attention Network)と呼ばれる新しい連続的推薦モデルを提案する。長い動作シーケンス全体を一連のサブシーケンスに分割し、モデルをトレーニングし、ユーザの長期的な利益を維持するためにメモリブロックのセットを維持する。動的メモリに基づいて、ユーザの短期的および長期的関心を明示的に抽出し、組み合わせて効率的な共同推薦を行うことができる。
論文参考訳（メタデータ） (2021-02-18T11:08:54Z)
On Dynamic Noise Influence in Differentially Private Learning [102.6791870228147]
Private Gradient Descent (PGD)は一般的に使用されるプライベート学習フレームワークであり、差分プロトコルに基づいてノイズを発生する。最近の研究では、emphdynamic privacy schedulesは最終イテレーションで改善できるが、そのようなスケジュールの有効性の理論は限られている。本稿では,これらの重要な質問に答えるために,動的プライバシスケジュールにおけるノイズの影響を総合的に分析する。
論文参考訳（メタデータ） (2021-01-19T02:04:00Z)
MRIF: Multi-resolution Interest Fusion for Recommendation [0.0]
本稿では,ユーザの利害関係を考慮に入れた多分解能利害融合モデル(MRIF)を提案する。提案モデルでは,ユーザの興味の動的変化を異なる時間範囲で捉えることができ,マルチ解像度のユーザ関心を組み合わせて予測を行う効果的な方法を提供する。
論文参考訳（メタデータ） (2020-07-08T02:32:15Z)

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。