論文の概要: MARS: Matching Attribute-aware Representations for Text-based Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2409.00702v2
• Date: Wed, 04 Sep 2024 13:19:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 16:53:45.106858
• Title: MARS: Matching Attribute-aware Representations for Text-based Sequential Recommendation
• Title（参考訳）: MARS:テキストに基づくシーケンスレコメンデーションのための属性認識表現のマッチング
• Authors: Hyunsoo Kim, Junyoung Kim, Minjin Choi, Sunkyung Lee, Jongwuk Lee,
• Abstract要約: テキストベースのシーケンスレコメンデーション(MARS)のための新しいモデルであるマッチング属性認識表現を提案する。 MARSは属性対応のテキストエンコーディングを通じて詳細なユーザとアイテムの表現を抽出し、複数の属性対応の表現で多様なユーザ意図をキャプチャする。 そして属性レベルのユーザの好みを効果的にキャプチャする。
• 参考スコア（独自算出の注目度）: 11.460164505052981
• License:
• Abstract: Sequential recommendation aims to predict the next item a user is likely to prefer based on their sequential interaction history. Recently, text-based sequential recommendation has emerged as a promising paradigm that uses pre-trained language models to exploit textual item features to enhance performance and facilitate knowledge transfer to unseen datasets. However, existing text-based recommender models still struggle with two key challenges: (i) representing users and items with multiple attributes, and (ii) matching items with complex user interests. To address these challenges, we propose a novel model, Matching Attribute-aware Representations for Text-based Sequential Recommendation (MARS). MARS extracts detailed user and item representations through attribute-aware text encoding, capturing diverse user intents with multiple attribute-aware representations. It then computes user-item scores via attribute-wise interaction matching, effectively capturing attribute-level user preferences. Our extensive experiments demonstrate that MARS significantly outperforms existing sequential models, achieving improvements of up to 24.43% and 29.26% in Recall@10 and NDCG@10 across five benchmark datasets. Code is available at https://github.com/junieberry/MARS
• Abstract（参考訳）: シーケンシャルレコメンデーションは、ユーザが好む次の項目を、シーケンシャルなインタラクション履歴に基づいて予測することを目的としている。 近年、テキストベースのシーケンシャルレコメンデーションは、事前訓練された言語モデルを使用して、テキストアイテムの特徴を活用してパフォーマンスを高め、未知のデータセットへの知識伝達を促進する、有望なパラダイムとして出現している。 しかし、既存のテキストベースのレコメンデーターモデルは、以下の2つの主要な課題に苦戦している。 (i)複数の属性を持つユーザやアイテムを表すこと、 (二)複雑なユーザ関心のある項目のマッチング。 これらの課題に対処するために、テキストベースのシーケンスレコメンデーション(MARS)のためのマッチング属性認識表現(Matching Attribute-aware Representations)を提案する。 MARSは属性対応のテキストエンコーディングを通じて詳細なユーザとアイテムの表現を抽出し、複数の属性対応の表現で多様なユーザ意図をキャプチャする。 そして属性レベルのユーザの好みを効果的にキャプチャする。 我々の広範な実験は、MARSが既存のシーケンシャルモデルを大幅に上回っており、5つのベンチマークデータセットに対して、Recall@10とNDCG@10の24.43%と29.26%の改善を実現していることを示している。 コードはhttps://github.com/junieberry/MARSで入手できる。

関連論文リスト

• FineRec:Exploring Fine-grained Sequential Recommendation [28.27273649170967]
  本稿では,属性-選択対のレビューを精査し,逐次レコメンデーションを微妙に処理する新しいフレームワークを提案する。 各属性に対して、ユニークな属性固有のユーザ-オピニオン-イットグラフが作成され、対応する意見が異質なユーザノードとアイテムノードをリンクするエッジとして機能する。 本稿では,属性固有のユーザ/イテム表現をすべての属性にわたって統合し,レコメンデーションを生成するためのインタラクション駆動型融合機構を提案する。
  論文  参考訳（メタデータ） (2024-04-19T16:04:26Z)
• Multi-Intent Attribute-Aware Text Matching in Searching [21.92265431319774]
  本稿では,属性認識エンコーダ,マルチインテントモデリング,インテント認識マッチングという3つの主要コンポーネントから構成されるマルチインテント属性認識マッチングモデルを提案する。 MIMでは、属性の重要性に関して、テキストと属性を重み付けし、スケールされた注意機構を通じて処理する。 意図認識マッチングにおいて、意図は自己監督型マスキングタスクによって評価され、次に組み込まれて最終的なマッチング結果が出力される。
  論文  参考訳（メタデータ） (2024-02-12T16:54:22Z)
• Enhancing User Intent Capture in Session-Based Recommendation with Attribute Patterns [77.19390850643944]
  周波数属性パターン拡張変換器(FAPAT)を提案する。 FAPATは属性遷移グラフと一致する属性パターンを構築することで、ユーザの意図を特徴づける。 FAPATは、様々な評価指標に対して平均4.5%の最先端手法を一貫して上回っていることを実証する。
  論文  参考訳（メタデータ） (2023-12-23T03:28:18Z)
• JPAVE: A Generation and Classification-based Model for Joint Product Attribute Prediction and Value Extraction [59.94977231327573]
  JPAVEと呼ばれる値生成/分類と属性予測を備えたマルチタスク学習モデルを提案する。 我々のモデルの2つの変種は、オープンワールドとクローズドワールドのシナリオのために設計されている。 公開データセットにおける実験結果は,強いベースラインと比較して,我々のモデルが優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-07T18:36:16Z)
• Text Matching Improves Sequential Recommendation by Reducing Popularity Biases [48.272381505993366]
  TASTEは、アイテムの識別子と属性を使用して、アイテムとユーザとイテムのインタラクションを言語化する。 実験の結果,TASTEはシーケンシャルレコメンデーションデータセットにおいて最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-08-27T07:44:33Z)
• 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)
• Talk the Walk: Synthetic Data Generation for Conversational Music Recommendation [62.019437228000776]
  本稿では,広く利用可能なアイテムコレクションにおいて,符号化された専門知識を活用することで,現実的な高品質な会話データを生成するTalkWalkを提案する。 人間の収集したデータセットで100万以上の多様な会話を生成します。
  論文  参考訳（メタデータ） (2023-01-27T01:54:16Z)
• Joint Item Recommendation and Attribute Inference: An Adaptive Graph Convolutional Network Approach [61.2786065744784]
  レコメンデーションシステムでは、ユーザとアイテムは属性に関連付けられ、ユーザはアイテムの好みを表示する。 ユーザ(item)属性をアノテートすることは労働集約的なタスクであるため、属性値が欠落している多くの属性値と不完全であることが多い。 本稿では,共同項目推薦と属性推論のための適応グラフ畳み込みネットワーク(AGCN)アプローチを提案する。
  論文  参考訳（メタデータ） (2020-05-25T10:50:01Z)

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。