論文の概要: Modeling and Analyzing the Influence of Non-Item Pages on Sequential Next-Item Prediction

• arxiv url: http://arxiv.org/abs/2408.15953v1
• Date: Wed, 28 Aug 2024 17:12:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-29 15:09:00.922881
• Title: Modeling and Analyzing the Influence of Non-Item Pages on Sequential Next-Item Prediction
• Title（参考訳）: 時系列次項目予測における非項目ページの影響のモデル化と解析
• Authors: Elisabeth Fischer, Daniel Schlör, Albin Zehe, Andreas Hotho,
• Abstract要約: 非イテムページと興味のある項目との間には,実際に関係があることが示されている。 我々は、CNN、RNN、トランスフォーマーベースのアーキテクチャをカバーする8つの一般的なシーケンシャルレコメンデータモデルを適用し、非イテムページを統合する。 結果から,非イテムページは貴重な情報ソースであることがわかったが,そのようなページをうまく表現することが有効に活用するための鍵である。
• 参考スコア（独自算出の注目度）: 2.464194460689648
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Analyzing the sequence of historical interactions between users and items, sequential recommendation models learn user intent and make predictions about the next item of interest. Next to these item interactions, most systems also have interactions with pages not related to specific items, for example navigation pages, account pages, and pages for a specific category, which may provide additional insights into the user's interests. However, while there are several approaches to integrate additional information about items and users, the topic of integrating non-item pages has been less explored. We use the hypotheses testing framework HypTrails to show that there is indeed a relationship between these non-item pages and the items of interest and fill this gap by proposing various approaches of representing non-item pages (e.g, based on their content) to use them as an additional information source for the task of sequential next-item prediction. We create a synthetic dataset with non-item pages highly related to the subsequent item to show that the models are generally capable of learning from these interactions, and subsequently evaluate the improvements gained by including non-item pages in two real-world datasets. We adapt eight popular sequential recommender models, covering CNN-, RNN- and transformer-based architectures, to integrate non-item pages and investigate the capabilities of these models to leverage their information for next item prediction. We also analyze their behavior on noisy data and compare different item representation strategies. Our results show that non-item pages are a valuable source of information, but representing such a page well is the key to successfully leverage them. The inclusion of non-item pages can increase the performance for next-item prediction in all examined model architectures with a varying degree.
• Abstract（参考訳）: ユーザとアイテム間の歴史的なインタラクションのシーケンスを分析し、シーケンシャルレコメンデーションモデルは、ユーザの意図を学び、次のアイテムについて予測する。 これらの項目のインタラクションの次に、ほとんどのシステムは特定の項目に関連のないページ、例えばナビゲーションページ、アカウントページ、特定のカテゴリのページとのインタラクションを持つ。 しかし、アイテムやユーザに関する追加情報を統合するためのアプローチはいくつかあるが、非イテムページの統合という話題はあまり検討されていない。 我々は、仮説テストフレームワークHypTrailsを用いて、これらの非イトムページと興味のある項目との間に実際に関係があることを示し、このギャップを埋めるために、非イトムページ(例えば、コンテンツに基づいて)を表す様々なアプローチを提案し、それらを連続した次イム予測のタスクのための追加情報ソースとして利用する。 本研究は,これらの相互作用からモデルが一般的に学習可能であることを示すために,後続の項目に関係のないページを高度に関連付けた合成データセットを作成し,その後,2つの実世界のデータセットに非イテムページを含めることで得られる改善を評価した。 我々は、CNN、RNN、トランスフォーマーベースのアーキテクチャをカバーする8つの一般的なシーケンシャルレコメンデータモデルを適用し、非イテムページを統合するとともに、これらのモデルが次回の項目予測に活用する能力について検討する。 また、ノイズの多いデータに基づいてそれらの振る舞いを分析し、異なる項目表現戦略を比較する。 結果から,非イテムページは貴重な情報ソースであることがわかったが,そのようなページをうまく表現することが有効に活用するための鍵である。 非イテムページを含めることで、調査対象のすべてのモデルアーキテクチャにおいて、次回のイテム予測のパフォーマンスを様々な程度に向上させることができる。

関連論文リスト

• Dot Product is All You Need: Bridging the Gap Between Item Recommendation and Link Prediction [18.153652861826917]
  本稿では,項目推薦問題をリンク予測問題の事例とみなすことができることを示す。 これらの予測精度は,10種類の最先端レコメンデーションモデルと競合することを示す。
  論文  参考訳（メタデータ） (2024-09-11T17:27:04Z)
• Ada-Retrieval: An Adaptive Multi-Round Retrieval Paradigm for Sequential Recommendations [50.03560306423678]
  本稿では,レコメンダシステムのための適応型マルチラウンド検索パラダイムであるAda-Retrievalを提案する。 Ada-Retrievalは、ユーザー表現を反復的に洗練し、全項目領域の潜在的な候補をよりよく捉えます。
  論文  参考訳（メタデータ） (2024-01-12T15:26:40Z)
• Recommender Systems with Generative Retrieval [58.454606442670034]
  本稿では,対象候補の識別子を自己回帰的に復号する新たな生成検索手法を提案する。 そのために、各項目のセマンティックIDとして機能するために、意味論的に意味のあるコードワードを作成します。 提案手法を用いて学習した推薦システムは,様々なデータセット上での現在のSOTAモデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-08T21:48:17Z)
• Incorporating Relevance Feedback for Information-Seeking Retrieval using Few-Shot Document Re-Ranking [56.80065604034095]
  我々は,クエリとユーザが関連すると考えるドキュメントとの類似性に基づいて,文書を再参照するkNNアプローチを提案する。 異なる統合戦略を評価するため、既存の4つの情報検索データセットを関連フィードバックシナリオに変換する。
  論文  参考訳（メタデータ） (2022-10-19T16:19:37Z)
• Modeling Users' Contextualized Page-wise Feedback for Click-Through Rate Prediction in E-commerce Search [29.661232361168956]
  本稿では,ページワイズ製品全体を含め,コンテキスト認識型ユーザ行動モデリングの新しい視点を提案する。 ページ内コンテキスト情報とページ間関心の進化をキャプチャして、より具体的なユーザの好みを学習することができる。
  論文  参考訳（メタデータ） (2022-03-29T13:26:55Z)
• Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation [62.30552176649873]
  シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。 両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。 モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:44:27Z)
• Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback based Recommendation [59.183016033308014]
  本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。 提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
  論文  参考訳（メタデータ） (2021-05-16T08:06:22Z)
• PreSizE: Predicting Size in E-Commerce using Transformers [76.33790223551074]
  PreSizEは、Transformerを使って正確なサイズ予測を行う新しいディープラーニングフレームワークである。 我々は,PreSizEが従来の最先端のベースラインよりも優れた予測性能を実現できることを示した。 概念実証として、PreSizEによるサイズ予測が、既存の生産推奨システムに統合できることを実証しています。
  論文  参考訳（メタデータ） (2021-05-04T15:23:59Z)

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。