論文の概要: Sample Enrichment via Temporary Operations on Subsequences for Sequential Recommendation
- arxiv url: http://arxiv.org/abs/2407.17802v1
- Date: Thu, 25 Jul 2024 06:22:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-10 18:49:56.861542
- Title: Sample Enrichment via Temporary Operations on Subsequences for Sequential Recommendation
- Title（参考訳）: シークエンシャルレコメンデーション用サブシークエンスにおける一時的操作によるサンプル濃縮
- Authors: Shu Chen, Jinwei Luo, Weike Pan, Jiangxing Yu, Xin Huang, Zhong Ming,
- Abstract要約: 本稿では,SETO(Subsequences on Subsequences)を用いたサンプルエンリッチメントという,シーケンシャルレコメンデーションのための新しいモデルに依存しない高汎用フレームワークを提案する。
複数の実世界のデータセットにまたがる、複数の代表的および最先端のシーケンシャルレコメンデーションモデルに対するSETOの有効性と汎用性を強調します。
- 参考スコア（独自算出の注目度）: 15.718287580146272
- License:
- Abstract: Sequential recommendation leverages interaction sequences to predict forthcoming user behaviors, crucial for crafting personalized recommendations. However, the true preferences of a user are inherently complex and high-dimensional, while the observed data is merely a simplified and low-dimensional projection of the rich preferences, which often leads to prevalent issues like data sparsity and inaccurate model training. To learn true preferences from the sparse data, most existing works endeavor to introduce some extra information or design some ingenious models. Although they have shown to be effective, extra information usually increases the cost of data collection, and complex models may result in difficulty in deployment. Innovatively, we avoid the use of extra information or alterations to the model; instead, we fill the transformation space between the observed data and the underlying preferences with randomness. Specifically, we propose a novel model-agnostic and highly generic framework for sequential recommendation called sample enrichment via temporary operations on subsequences (SETO), which temporarily and separately enriches the transformation space via sequence enhancement operations with rationality constraints in training. The transformation space not only exists in the process from input samples to preferences but also in preferences to target samples. We highlight our SETO's effectiveness and versatility over multiple representative and state-of-the-art sequential recommendation models (including six single-domain sequential models and two cross-domain sequential models) across multiple real-world datasets (including three single-domain datasets, three cross-domain datasets and a large-scale industry dataset).
- Abstract（参考訳）: シーケンスレコメンデーションは、対話シーケンスを利用して、パーソナライズされたレコメンデーションを作成するために不可欠な、今後のユーザの行動を予測する。
しかし、ユーザの真の嗜好は本質的に複雑で高次元であるが、観測されたデータは単にリッチ嗜好の単純化された低次元の投影であり、しばしばデータの分散性や不正確なモデルトレーニングといった一般的な問題を引き起こす。
スパースデータから真の好みを学習するために、既存の作業の多くは、追加の情報を導入したり、巧妙なモデルを設計しようと努力している。
これらは有効であることが示されているが、余分な情報は通常データ収集のコストを増大させ、複雑なモデルが配置に困難をもたらす可能性がある。
革新的に、我々はモデルに余分な情報や変更を加えることを避け、代わりに観測データと基礎となる嗜好の間の変換空間をランダムに埋める。
具体的には、サブシーケンス上の一時的な操作(SETO)によるサンプルエンリッチメント(サンプルエンリッチメント)と呼ばれる、トレーニングにおける有理性制約付きシーケンスエンハンスメント操作による変換空間の一時的かつ分離的な拡張を行うための、新しいモデル非依存かつ高ジェネリックなフレームワークを提案する。
変換空間は、入力サンプルから好みへのプロセスだけでなく、ターゲットサンプルへの選好にも存在します。
私たちは、複数の実世界のデータセット(3つの単一ドメインデータセット、3つのクロスドメインデータセット、大規模産業データセットを含む)にまたがる、複数の代表的および最先端のシーケンシャルレコメンデーションモデル(6つの単一ドメインシーケンシャルモデルと2つのクロスドメインシーケンシャルモデルを含む)に対するSETOの有効性と汎用性を強調します。
関連論文リスト
- Forewarned is Forearmed: Leveraging LLMs for Data Synthesis through Failure-Inducing Exploration [90.41908331897639]
大規模言語モデル(LLM)は、多種多様な高品質なタスク特化データのトレーニングの恩恵を受けている。
本稿では,効果的なトレーニングサンプルを自動生成する新しい手法であるReverseGenを提案する。
論文 参考訳（メタデータ） (2024-10-22T06:43:28Z) - A CLIP-Powered Framework for Robust and Generalizable Data Selection [51.46695086779598]
実世界のデータセットは、しばしば冗長でノイズの多いデータを含み、トレーニング効率とモデルパフォーマンスに悪影響を及ぼす。
データ選択は、データセット全体から最も代表的なサンプルを特定することを約束している。
より堅牢で一般化可能なサンプル選択にマルチモーダル情報を活用するCLIPを利用した新しいデータ選択フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-15T03:00:58Z) - Adapt-$\infty$: Scalable Lifelong Multimodal Instruction Tuning via Dynamic Data Selection [89.42023974249122]
Adapt-$infty$は、Lifelong Instruction Tuningの新しいマルチウェイおよびアダプティブデータ選択アプローチである。
勾配に基づくサンプルベクトルをグループ化して擬似スキルクラスタを構築する。
セレクタエキスパートのプールから各スキルクラスタの最高のパフォーマンスデータセレクタを選択する。
論文 参考訳（メタデータ） (2024-10-14T15:48:09Z) - Self-Supervised Contrastive Pre-Training for Multivariate Point
Processes [38.898053582052725]
変圧器エンコーダを用いた多変量点プロセスのための自己教師型学習のための新しいパラダイムを提案する。
具体的には、ランダムなイベントエポックをマスクするだけでなく、イベントが発生しないランダムにサンプリングされた"ボイド"エポックを挿入するエンコーダのための新しい事前学習戦略を設計する。
合成データセットと3つの実応用を用いた次世代予測課題における提案手法の有効性を実証する。
論文 参考訳（メタデータ） (2024-02-01T20:05:04Z) - Diffusion Augmentation for Sequential Recommendation [47.43402785097255]
本稿では,より高品質な生成のためのDiffuASR(Diffusion Augmentation for Sequential Recommendation)を提案する。
DiffuASRによる強化データセットは、複雑なトレーニング手順なしで、シーケンシャルレコメンデーションモデルを直接トレーニングするために使用することができる。
3つの逐次レコメンデーションモデルを用いた3つの実世界のデータセットに関する広範な実験を行った。
論文 参考訳（メタデータ） (2023-09-22T13:31:34Z) - Hybrid State Space-based Learning for Sequential Data Prediction with
Joint Optimization [0.0]
本稿では,従来の非線形予測モデルにおいて,ドメイン固有の特徴工学的問題の必要性を緩和するハイブリッドモデルを提案する。
基本モデルに対する新しい状態空間表現を導入し、ハイブリッドやアンサンブルの完全な状態空間表現を提供する。
このような新しい組み合わせと共同最適化により、広く公開されている実生活競合データセットの大幅な改善が示された。
論文 参考訳（メタデータ） (2023-09-19T12:00:28Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳（メタデータ） (2022-06-15T19:10:35Z) - 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) - MEANTIME: Mixture of Attention Mechanisms with Multi-temporal Embeddings
for Sequential Recommendation [12.386304516106854]
自己注意に基づくモデルは、シーケンシャルなレコメンデーションタスクで最先端のパフォーマンスを達成した。
これらのモデルは、ユーザの履歴のシーケンシャルな性質を活用するために、単純な位置埋め込みに依存している。
本稿では,ユーザの行動系列から様々なパターンを捉えるために,複数の時間的埋め込みを用いたMEANTIMEを提案する。
論文 参考訳（メタデータ） (2020-08-19T05:32:14Z) - S^3-Rec: Self-Supervised Learning for Sequential Recommendation with
Mutual Information Maximization [104.87483578308526]
本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。
そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。
6つの実世界のデータセットで実施された大規模な実験は、既存の最先端手法よりも提案手法が優れていることを示す。
論文 参考訳（メタデータ） (2020-08-18T11:44:10Z)
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。