論文の概要: Transformers Meet ACT-R: Repeat-Aware and Sequential Listening Session Recommendation

• arxiv url: http://arxiv.org/abs/2408.16578v1
• Date: Thu, 29 Aug 2024 14:44:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-30 13:23:15.072671
• Title: Transformers Meet ACT-R: Repeat-Aware and Sequential Listening Session Recommendation
• Title（参考訳）: ACT-R: Repeat-Aware and Sequential Listening Session Recommendation
• Authors: Viet-Anh Tran, Guillaume Salha-Galvan, Bruno Sguerra, Romain Hennequin,
• Abstract要約: PISAは,音楽ストリーミングサービスのセッションレベルのシーケンシャルレコメンデーションシステムである。 PISAは、リスニングセッションとユーザの埋め込み表現を学習するTransformerアーキテクチャを採用している。 我々は、Last.fmの公開リスニングデータとDeezerのプロプライエタリデータの両方を用いて、PISAの実証的妥当性を示す。
• 参考スコア（独自算出の注目度）: 12.295794664393368
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Music streaming services often leverage sequential recommender systems to predict the best music to showcase to users based on past sequences of listening sessions. Nonetheless, most sequential recommendation methods ignore or insufficiently account for repetitive behaviors. This is a crucial limitation for music recommendation, as repeatedly listening to the same song over time is a common phenomenon that can even change the way users perceive this song. In this paper, we introduce PISA (Psychology-Informed Session embedding using ACT-R), a session-level sequential recommender system that overcomes this limitation. PISA employs a Transformer architecture learning embedding representations of listening sessions and users using attention mechanisms inspired by Anderson's ACT-R (Adaptive Control of Thought-Rational), a cognitive architecture modeling human information access and memory dynamics. This approach enables us to capture dynamic and repetitive patterns from user behaviors, allowing us to effectively predict the songs they will listen to in subsequent sessions, whether they are repeated or new ones. We demonstrate the empirical relevance of PISA using both publicly available listening data from Last.fm and proprietary data from Deezer, a global music streaming service, confirming the critical importance of repetition modeling for sequential listening session recommendation. Along with this paper, we publicly release our proprietary dataset to foster future research in this field, as well as the source code of PISA to facilitate its future use.
• Abstract（参考訳）: 音楽ストリーミングサービスは、しばしばシーケンシャルなレコメンデーションシステムを活用して、過去のリスニングセッションのシーケンスに基づいてユーザーに見せるのに最適な音楽を予測する。 それでも、ほとんどのシーケンシャルなレコメンデーションメソッドは繰り返しの振る舞いを無視したり、不十分に説明したりする。 これは音楽レコメンデーションにとって極めて重要な制限であり、同じ曲を繰り返し聴くことは、ユーザーがこの曲を知覚する方法を変えることさえできる共通の現象である。 本稿では,この制限を克服するセッションレベルのシーケンシャルレコメンデータシステムである PISA を紹介する。 PISAは、アンダーソンのACT-R(Adaptive Control of Thought-Rational)にインスパイアされた注意機構を使用して、聴取セッションとユーザの埋め込み表現を学習するトランスフォーマーアーキテクチャを採用している。 このアプローチにより、ユーザの行動から動的かつ反復的なパターンをキャプチャし、その後のセッションで聴く曲を、繰り返したとしても新しいものであっても、効果的に予測することができる。 我々は、Last.fmの公開リスニングデータとグローバル音楽ストリーミングサービスDeezerのプロプライエタリデータの両方を用いて、PISAの実証的妥当性を実証し、シーケンシャルリスニングセッションレコメンデーションにおける繰り返しモデリングの重要性を確認する。 本稿では,この分野での今後の研究を促進するための独自のデータセットと,その将来的な利用を促進するためのPISAのソースコードを公開する。

関連論文リスト

• Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
  クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。 近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。 マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
  論文  参考訳（メタデータ） (2024-11-22T15:29:05Z)
• Towards Leveraging Contrastively Pretrained Neural Audio Embeddings for Recommender Tasks [18.95453617434051]
  音楽レコメンデータシステムは、しばしばネットワークベースのモデルを使用して、楽曲、アーティスト、ユーザー間の関係をキャプチャする。 新しい音楽作品やアーティストは、初期情報が不十分なため、コールドスタートの問題に直面することが多い。 これを解決するために、音楽から直接コンテンツベースの情報を抽出し、協調フィルタリングに基づく手法を強化する。
  論文  参考訳（メタデータ） (2024-09-13T17:53:06Z)
• Enhancing Sequential Music Recommendation with Personalized Popularity Awareness [56.972624411205224]
  本稿では、パーソナライズされた人気情報をシーケンシャルなレコメンデーションに組み込む新しいアプローチを提案する。 実験結果から、パーソナライズされた最もポピュラーなレコメンデータは、既存の最先端モデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-06T15:05:12Z)
• LARP: Language Audio Relational Pre-training for Cold-Start Playlist Continuation [49.89372182441713]
  マルチモーダルコールドスタートプレイリスト継続モデルであるLARPを導入する。 我々のフレームワークはタスク固有の抽象化の段階を増大させており、イントラトラック(音声)コントラスト損失、トラックトラックコントラスト損失、トラックプレイリストコントラスト損失である。
  論文  参考訳（メタデータ） (2024-06-20T14:02:15Z)
• Modeling Activity-Driven Music Listening with PACE [2.241215446326728]
  PACE(Pattern-based user Consumption Embedding)は,周期的な聴取行動を活用するユーザ埋め込みを構築するためのフレームワークである。 この枠組みを長期のユーザ履歴に適用することにより,音楽を聴きながら行う活動の予測タスクを通じて埋め込みを評価する。
  論文  参考訳（メタデータ） (2024-05-02T16:08:03Z)
• Oh, Jeez! or Uh-huh? A Listener-aware Backchannel Predictor on ASR Transcriptions [30.779582465296897]
  本研究では、継続器やアセスメントなどのバックチャネルを挿入してアクティブリスナーとして機能し、話者に影響を与えるシステムを開発する。 我々のモデルは, 語彙や音響だけでなく, 様々なバックチャネルの動作を模倣するために, リスナーの埋め込みを利用するという, シンプルで斬新なアイデアも取り入れている。
  論文  参考訳（メタデータ） (2023-04-10T09:33:29Z)
• Recommender Transformers with Behavior Pathways [50.842316273120744]
  Recommender Transformer (RETR) を新しいパスウェイアテンション機構で構築する。 実世界の7つのデータセットにおけるRETRの有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2022-06-13T08:58:37Z)
• Exploiting Session Information in BERT-based Session-aware Sequential Recommendation [13.15762859612114]
  推薦システムでは,ユーザインタラクション履歴をシーケンシャルな情報として活用することで,大幅な性能向上を実現している。 多くのオンラインサービスでは、ユーザインタラクションは、通常、通常のシーケンス表現技術とは異なるアプローチを必要とする、おそらく好みを共有するセッションによってグループ化される。 本稿では,BERTに基づく逐次レコメンデーションモデルにおいて,追加パラメータを最小化しながらセッション情報を活用することで,レコメンデーション性能を向上させる3つの手法を提案する。
  論文  参考訳（メタデータ） (2022-04-22T17:58:10Z)
• Modeling Dynamic User Preference via Dictionary Learning for Sequential Recommendation [133.8758914874593]
  ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。 浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。 本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
  論文  参考訳（メタデータ） (2022-04-02T03:23:46Z)
• SR-HetGNN:Session-based Recommendation with Heterogeneous Graph Neural Network [20.82060191403763]
  セッションベースレコメンデーションシステムは、前のセッションシーケンスに基づいて、ユーザの次のクリックを予測することを目的としている。 セッション埋め込みを学習するために異種グラフニューラルネットワーク(HetGNN)を用いたセッション推薦手法SR-HetGNNを提案する。 SR-HetGNNは、DigineticaとTmallの2つの実際の大規模データセットに対する広範な実験を通じて、既存の最先端セッションベースのレコメンデーション手法よりも優れていることが示されている。
  論文  参考訳（メタデータ） (2021-08-12T10:12:48Z)
• TAGNN: Target Attentive Graph Neural Networks for Session-based Recommendation [66.04457457299218]
  セッションベースレコメンデーションのための新しいターゲット注意グラフニューラルネットワーク(TAGNN)モデルを提案する。 TAGNNでは、ターゲット・アウェア・アテンションは、様々なターゲット項目に関して異なるユーザ関心を適応的に活性化する。 学習した関心表現ベクトルは、異なる対象項目によって変化し、モデルの表現性を大幅に改善する。
  論文  参考訳（メタデータ） (2020-05-06T14:17:05Z)

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。