論文の概要: Modeling Domain and Feedback Transitions for Cross-Domain Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2408.08209v1
• Date: Thu, 15 Aug 2024 15:18:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 17:51:50.149315
• Title: Modeling Domain and Feedback Transitions for Cross-Domain Sequential Recommendation
• Title（参考訳）: ドメイン間シーケンスレコメンデーションのためのドメインとフィードバック遷移のモデリング
• Authors: Changshuo Zhang, Teng Shi, Xiao Zhang, Qi Liu, Ruobing Xie, Jun Xu, Ji-Rong Wen,
• Abstract要約: $textTransition2$は、ドメインとユーザフィードバックのタイプの両方にわたるトランジションをモデル化する新しい方法です。 ユーザ履歴に基づいた遷移対応グラフエンコーダを導入し,フィードバックタイプに応じて異なる重みをエッジに割り当てる。 我々は、異なるタイプの遷移を識別するために、様々なマスクを組み込んで、クロストランジション・マルチヘッド・セルフアテンションを用いて、ユーザ履歴をエンコードする。
• 参考スコア（独自算出の注目度）: 60.09293734134179
• License:
• Abstract: Nowadays, many recommender systems encompass various domains to cater to users' diverse needs, leading to user behaviors transitioning across different domains. In fact, user behaviors across different domains reveal changes in preference toward recommended items. For instance, a shift from negative feedback to positive feedback indicates improved user satisfaction. However, existing cross-domain sequential recommendation methods typically model user interests by focusing solely on information about domain transitions, often overlooking the valuable insights provided by users' feedback transitions. In this paper, we propose $\text{Transition}^2$, a novel method to model transitions across both domains and types of user feedback. Specifically, $\text{Transition}^2$ introduces a transition-aware graph encoder based on user history, assigning different weights to edges according to the feedback type. This enables the graph encoder to extract historical embeddings that capture the transition information between different domains and feedback types. Subsequently, we encode the user history using a cross-transition multi-head self-attention, incorporating various masks to distinguish different types of transitions. Finally, we integrate these modules to make predictions across different domains. Experimental results on two public datasets demonstrate the effectiveness of $\text{Transition}^2$.
• Abstract（参考訳）: 今日では、多くのレコメンデーションシステムは、ユーザの多様なニーズに対応するために様々なドメインを包含しており、異なるドメインをまたがるユーザの振る舞いにつながっている。 実際、異なるドメインにわたるユーザー行動は推奨項目に対する好みの変化を明らかにしている。 例えば、ネガティブなフィードバックからポジティブなフィードバックへのシフトは、ユーザの満足度の向上を示しています。 しかし、既存のクロスドメインシーケンシャルレコメンデーションメソッドは、通常、ユーザのフィードバックトランジションが提供する貴重な洞察を見越して、ドメイントランジションに関する情報のみに焦点を当てることで、ユーザの関心をモデル化する。 本稿では,ユーザフィードバックの種類とドメイン間の遷移をモデル化する新しい手法である$\text{Transition}^2$を提案する。 具体的には、$\text{Transition}^2$は、ユーザ履歴に基づいた遷移対応グラフエンコーダを導入し、フィードバックタイプに応じて異なる重み付けをエッジに割り当てる。 これにより、グラフエンコーダは、異なるドメインとフィードバックタイプ間の遷移情報をキャプチャする履歴埋め込みを抽出することができる。 その後,多面的多面的自己注意を用いてユーザ履歴を符号化し,異なるタイプの遷移を識別するために様々なマスクを組み込んだ。 最後に、これらのモジュールを統合して、異なるドメインにまたがって予測を行う。 2つの公開データセットの実験結果は、$\text{Transition}^2$の有効性を示している。

関連論文リスト

• Cross-domain Transfer of Valence Preferences via a Meta-optimization Approach [17.545983294377958]
  CVPMはメタラーニングと自己教師型学習のハイブリッドアーキテクチャとして、ドメイン間の関心伝達を形式化する。 ユーザの好みに対する深い洞察を得て、差別化されたエンコーダを使って分布を学習する。 特に、各ユーザのマッピングを共通の変換とパーソナライズされたバイアスの2つの部分として扱い、そこでは、パーソナライズされたバイアスを生成するネットワークがメタラーナーによって出力される。
  論文  参考訳（メタデータ） (2024-06-24T10:02:24Z)
• Mixed Attention Network for Cross-domain Sequential Recommendation [63.983590953727386]
  ドメイン固有・クロスドメイン情報を抽出するために,ローカル・グローバル・アテンション・モジュールを用いた混在注意ネットワーク(MAN)を提案する。 2つの実世界のデータセットに対する実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2023-11-14T16:07:16Z)
• Exploiting Graph Structured Cross-Domain Representation for Multi-Domain Recommendation [71.45854187886088]
  マルチドメインレコメンデータシステムは、クロスドメイン表現学習とポジティブな知識伝達の恩恵を受ける。 我々はMAGRecと呼ばれる手法のコンテキスト情報として時間的ドメイン内相互作用とドメイン間相互作用を用いる。 我々は、MAGRecが最先端の手法を一貫して上回る様々なシナリオで、公開データセットで実験を行う。
  論文  参考訳（メタデータ） (2023-02-12T19:51:32Z)
• Cross-domain recommendation via user interest alignment [20.387327479445773]
  クロスドメインレコメンデーションは、複数のドメインからの知識を活用して、従来のレコメンデーションシステムにおけるデータの分散性とコールドスタートの問題を軽減することを目的としている。 このアプローチの一般的な実践は、各ドメインに個別にユーザ埋め込みをトレーニングし、それらを平易な方法で集約することです。 本稿では,2つのドメインの推薦性能を改善するために,新しいドメイン間推薦フレームワークであるCOASTを提案する。
  論文  参考訳（メタデータ） (2023-01-26T23:54:41Z)
• Diverse Preference Augmentation with Multiple Domains for Cold-start Recommendations [92.47380209981348]
  メタラーニングをベースとした多元的ドメインを用いた多元的推論拡張フレームワークを提案する。 我々は、疎結合の場合の過度な適合を扱うために、新しい関心領域において多様な評価を生成する。 これらの評価は、選好メタラーナーを学ぶためのメタトレーニング手順に導入され、優れた一般化能力が得られる。
  論文  参考訳（メタデータ） (2022-04-01T10:10:50Z)
• Cross-domain User Preference Learning for Cold-start Recommendation [32.83868293457142]
  クロスドメインのコールドスタートレコメンデーションは、リコメンデーションシステムにとってますます問題になっている。 ソースドメインからユーザの好みを学習し、ターゲットドメインに転送することが重要です。 そこで本稿では,コールドスタートの推薦をさまざまなセマンティックタグで対象とする,自己学習型クロスドメインユーザ優先学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-07T12:57:05Z)
• Dual Metric Learning for Effective and Efficient Cross-Domain Recommendations [85.6250759280292]
  クロスドメインレコメンダーシステムは、消費者が異なるアプリケーションで有用なアイテムを識別するのを助けるためにますます価値があります。 既存のクロスドメインモデルは、通常、多くのオーバーラップユーザーを必要とするため、いくつかのアプリケーションでは取得が困難である。 本稿では,2つのドメイン間で情報を反復的に伝達する二元学習に基づく新しいクロスドメインレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2021-04-17T09:18:59Z)
• CATN: Cross-Domain Recommendation for Cold-Start Users via Aspect Transfer Network [49.35977893592626]
  コールドスタートユーザのためのアスペクト転送ネットワークによるクロスドメインレコメンデーションフレームワーク(CATN)を提案する。 CATNは、レビュー文書から各ユーザと各アイテムの複数のアスペクトを抽出し、注意機構を用いてドメイン間のアスペクト相関を学習する。 実世界のデータセットでは、提案したCATNは、評価予測精度の点でSOTAモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2020-05-21T10:05:19Z)
• Transfer Learning via Contextual Invariants for One-to-Many Cross-Domain Recommendation [19.106717948585445]
  我々は、クロスドメイン学習のためのスケーラブルなニューラルネットワーク層トランスファーアプローチを開発した。 我々の重要な直感は、高密度領域とスパース領域で共有されるドメイン不変成分によるニューラルコラボレーティブフィルタリングを導くことです。 2つのパブリックデータセットと、Visaの大規模トランザクションデータセットに対して、我々のアプローチの有効性とスケーラビリティを示す。
  論文  参考訳（メタデータ） (2020-05-21T05:51:15Z)

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。