論文の概要: A Reproducible Analysis of Sequential Recommender Systems
- arxiv url: http://arxiv.org/abs/2408.03873v1
- Date: Wed, 07 Aug 2024 16:23:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-10 18:21:51.035956
- Title: A Reproducible Analysis of Sequential Recommender Systems
- Title（参考訳）: 逐次リコメンダシステムの再現可能な解析
- Authors: Filippo Betello, Antonio Purificato, Federico Siciliano, Giovanni Trappolini, Andrea Bacciu, Nicola Tonellotto, Fabrizio Silvestri,
- Abstract要約: SequentialEnsurer Systems (SRS) はレコメンデーションシステムに対する高度に効率的なアプローチとして登場した。
既存の作品では、結果の複製性の欠点が示されており、論文間の矛盾した記述につながっている。
当社の作業は、データ前処理とモデル実装の標準化によって、これらのギャップを埋めます。
- 参考スコア（独自算出の注目度）: 13.987953631479662
- License:
- Abstract: Sequential Recommender Systems (SRSs) have emerged as a highly efficient approach to recommendation systems. By leveraging sequential data, SRSs can identify temporal patterns in user behaviour, significantly improving recommendation accuracy and relevance.Ensuring the reproducibility of these models is paramount for advancing research and facilitating comparisons between them. Existing works exhibit shortcomings in reproducibility and replicability of results, leading to inconsistent statements across papers. Our work fills these gaps by standardising data pre-processing and model implementations, providing a comprehensive code resource, including a framework for developing SRSs and establishing a foundation for consistent and reproducible experimentation. We conduct extensive experiments on several benchmark datasets, comparing various SRSs implemented in our resource. We challenge prevailing performance benchmarks, offering new insights into the SR domain. For instance, SASRec does not consistently outperform GRU4Rec. On the contrary, when the number of model parameters becomes substantial, SASRec starts to clearly dominate all the other SRSs. This discrepancy underscores the significant impact that experimental configuration has on the outcomes and the importance of setting it up to ensure precise and comprehensive results. Failure to do so can lead to significantly flawed conclusions, highlighting the need for rigorous experimental design and analysis in SRS research. Our code is available at https://github.com/antoniopurificato/recsys_repro_conf.
- Abstract（参考訳）: SRS(Sequential Recommender Systems)は、レコメンデーションシステムに対する高度に効率的なアプローチとして登場した。
シーケンシャルなデータを活用することで、SRSはユーザの行動の時間的パターンを識別し、推奨精度と妥当性を大幅に向上させることができる。
既存の作品では再現性や再現性に欠点があり、論文間で矛盾する記述が生じる。
我々の研究は、データ前処理とモデル実装の標準化、SRSを開発するためのフレームワークを含む包括的なコードリソースの提供、一貫性のある再現可能な実験の基礎を確立することで、これらのギャップを埋めます。
いくつかのベンチマークデータセットに対して広範な実験を行い、リソースに実装された各種SRSを比較した。
一般的なパフォーマンスベンチマークに挑戦し、SRドメインに対する新たな洞察を提供しています。
例えば、SASRecはGRU4Recを一貫して上回るものではない。
逆に、モデルパラメータの数が大きくなれば、SASRecは他のすべてのSRSをはっきりと支配し始める。
この相違は、実験的な構成が結果に与える影響と、正確で包括的な結果を保証するためにそれを設定することの重要性を浮き彫りにする。
このような失敗は、SRS研究における厳密な実験的設計と分析の必要性を浮き彫りにした、重大な欠陥のある結論につながる可能性がある。
私たちのコードはhttps://github.com/antoniopurificato/recsys_repro_confで公開されています。
関連論文リスト
- Large Language Model Empowered Embedding Generator for Sequential Recommendation [57.49045064294086]
大言語モデル(LLM)は、その人気に関係なく、項目間の意味的関係を理解する能力を持つ。
LLMEmbは、LCMを利用してアイテム埋め込みを作成し、シークエンシャル・レコメンダ・システムの性能を高める革新的な技術である。
論文 参考訳（メタデータ） (2024-09-30T03:59:06Z) - Selective Self-Rehearsal: A Fine-Tuning Approach to Improve Generalization in Large Language Models [19.752712857873043]
本稿では,SSR(Selective Self-Rehearsal)を導入し,SFT(Selective Self-Rehearsal)に匹敵する性能を実現する。
モデルの正しい応答を利用することで、SSRは微調整段階におけるモデルの特殊化を減らす。
SSRの有効性は、様々なデータセットにまたがる解決不可能なクエリを識別するタスクに関する実験を通じて実証される。
論文 参考訳（メタデータ） (2024-09-07T10:21:03Z) - Bidirectional Gated Mamba for Sequential Recommendation [56.85338055215429]
最近の進歩であるMambaは、時系列予測において例外的なパフォーマンスを示した。
SIGMA(Selective Gated Mamba)と呼ばれる,シークエンシャルレコメンデーションのための新しいフレームワークを紹介する。
以上の結果から,SIGMAは5つの実世界のデータセットにおいて,現在のモデルよりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2024-08-21T09:12:59Z) - A Thorough Performance Benchmarking on Lightweight Embedding-based Recommender Systems [67.52782366565658]
State-of-the-art recommender system (RS) は、埋め込みベクトルによって符号化される分類的特徴に依存し、結果として非常に大きな埋め込みテーブルとなる。
軽量埋め込み型RSの繁栄にもかかわらず、評価プロトコルには幅広い多様性が見られる。
本研究では, LERSの性能, 効率, クロスタスク転送性について, 徹底的なベンチマークによる検討を行った。
論文 参考訳（メタデータ） (2024-06-25T07:45:00Z) - A Simple Yet Effective Approach for Diversified Session-Based Recommendation [28.980166530417645]
本稿では,DCA-SBRS(Diversified category-aware Attentive SBRS)と呼ばれる,既存の代表(精度指向)SBRSに適用可能なエンドツーエンドフレームワークを提案する。
モデルに依存しない多様性指向の損失関数と、非侵襲的なカテゴリー認識の注意機構の2つの新しい設計で構成されている。
提案フレームワークは,推薦精度を著しく低下させることなく,既存のSBRSが推薦の多様性と包括的性能で素晴らしいパフォーマンスを達成するのに役立つ。
論文 参考訳（メタデータ） (2024-03-30T06:21:56Z) - EASRec: Elastic Architecture Search for Efficient Long-term Sequential
Recommender Systems [82.76483989905961]
現在のSRS(Sequential Recommender Systems)は、計算とリソースの非効率に悩まされている。
我々は、効率的な長期シーケンスレコメンダシステム(EASRec)のための弾性アーキテクチャー探索を開発する。
EASRecは、入力データバッチから履歴情報を活用するデータ認識ゲートを導入し、レコメンデーションネットワークの性能を改善する。
論文 参考訳（メタデータ） (2024-02-01T07:22:52Z) - Soft Random Sampling: A Theoretical and Empirical Analysis [59.719035355483875]
ソフトランダムサンプリング(SRS)は、大量のデータを扱う際に、効率的なディープニューラルネットワークに対して単純だが効果的なアプローチである。
それは、各エポックに設定された各データセットから、ランダムに置換された均一な速度を選択する。
実世界の産業規模で重要な競争力を持つ、強力で競争力のある戦略であることが示されている。
論文 参考訳（メタデータ） (2023-11-21T17:03:21Z) - Towards Validating Long-Term User Feedbacks in Interactive
Recommendation Systems [36.45966630580796]
対話型レコメンダシステム(IRS)は,ユーザとレコメンダシステム間の対話的プロセスをモデル化する能力から,多くの注目を集めている。
レビューデータセットを用いてIRSの実験を再考し、RLベースのモデルと単純な報酬モデルを比較した。
論文 参考訳（メタデータ） (2023-08-22T02:34:47Z) - Investigating the Robustness of Sequential Recommender Systems Against
Training Data Perturbations [9.463133630647569]
有限ランク付けに適した拡張された類似度であるFinite Rank-Biased Overlap (FRBO)を紹介する。
時間的に順序付けられたシーケンス内の異なる位置におけるアイテムの削除の影響を実験的に検討する。
その結果、シーケンスの最後にアイテムを削除することは、統計的にパフォーマンスに有意な影響を及ぼすことが示された。
論文 参考訳（メタデータ） (2023-07-24T23:26:46Z) - Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。
本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-06T14:49:59Z)
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。