Fugu-MT 論文翻訳(概要): Autoregressive Generation Strategies for Top-K Sequential Recommendations

論文の概要: Autoregressive Generation Strategies for Top-K Sequential Recommendations

arxiv url: http://arxiv.org/abs/2409.17730v1
Date: Thu, 26 Sep 2024 11:00:19 GMT
ステータス: 処理完了
システム内更新日: 2024-09-28 20:20:41.287176
Title: Autoregressive Generation Strategies for Top-K Sequential Recommendations
Title（参考訳）: トップKシークエンシャルレコメンデーションのための自己回帰生成戦略
Authors: Anna Volodkevich, Danil Gusak, Anton Klenitskiy, Alexey Vasilev,
Abstract要約: 本稿では,Top-Kシーケンシャルレコメンデーションタスクにおける生成トランスフォーマモデルの適用性について検討する。提案手法は,広範に使用されているTop-K予測手法や単一シーケンスの自動回帰生成手法と比較して,より長い時間での性能向上を示す。
参考スコア（独自算出の注目度）: 0.8437187555622164
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The goal of modern sequential recommender systems is often formulated in terms of next-item prediction. In this paper, we explore the applicability of generative transformer-based models for the Top-K sequential recommendation task, where the goal is to predict items a user is likely to interact with in the "near future". We explore commonly used autoregressive generation strategies, including greedy decoding, beam search, and temperature sampling, to evaluate their performance for the Top-K sequential recommendation task. In addition, we propose novel Reciprocal Rank Aggregation (RRA) and Relevance Aggregation (RA) generation strategies based on multi-sequence generation with temperature sampling and subsequent aggregation. Experiments on diverse datasets give valuable insights regarding commonly used strategies' applicability and show that suggested approaches improve performance on longer time horizons compared to widely-used Top-K prediction approach and single-sequence autoregressive generation strategies.
Abstract（参考訳）: 現代のシーケンシャルレコメンデータシステムの目標は、しばしば次のイテム予測の観点で定式化される。本稿では,Top-Kシーケンシャルレコメンデーションタスクにおける生成トランスフォーマーモデルの適用性について検討する。本研究は,Top-Kシーケンシャルレコメンデーションタスクの性能を評価するために,グレディデコーディング,ビームサーチ,温度サンプリングなどの一般的な自己回帰生成戦略について検討する。さらに、温度サンプリングとその後のアグリゲーションを含むマルチシーケンス生成に基づく、新しいRRAとRAの生成戦略を提案する。多様なデータセットの実験は、一般的に使用されている戦略の適用性に関する貴重な洞察を与え、広く使用されているTop-K予測アプローチや単一シーケンスの自動回帰生成戦略と比較して、より長い時間的地平線におけるパフォーマンスを改善するアプローチを提案する。

関連論文リスト

GenRec: Generative Sequential Recommendation with Large Language Models [4.381277509913139]
我々はGenerative Recommendation(GenRec)という新しいモデルを提案する。 GenRecは軽量で、低リソース環境で効果的にトレーニングするのに数時間しか必要としない。我々の実験は、GenRecが様々な公開現実世界のデータセットを一般化することを実証した。
論文参考訳（メタデータ） (2024-07-30T20:58:36Z)
Non-autoregressive Generative Models for Reranking Recommendation [9.854541524740549]
推薦システムでは、項目間のリスト内相関をモデル化することで、リランクが重要な役割を果たす。本研究では, 効率と効率性を高めるために, 提案するレコメンデーション(NAR4Rec)の再評価のための非自己回帰生成モデルを提案する。 NAR4Recは、毎日3億人のアクティブユーザーがいる人気ビデオアプリKuaishouに完全にデプロイされている。
論文参考訳（メタデータ） (2024-02-10T03:21:13Z)
Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
大規模未ラベルデータから学ぶための2つの戦略を提案する。第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
論文参考訳（メタデータ） (2023-07-26T16:19:19Z)
GUESR: A Global Unsupervised Data-Enhancement with Bucket-Cluster Sampling for Sequential Recommendation [58.6450834556133]
本研究では,グローバルな視点から複雑な関連性を持つ項目表現を強化するために,グラフコントラスト学習を提案する。本稿では,CapsNetモジュールを拡張したターゲットアテンション機構により,ユーザの動的嗜好を導出する。提案したGUESRは,大幅な改善を達成できただけでなく,汎用的な拡張戦略ともみなすことができた。
論文参考訳（メタデータ） (2023-03-01T05:46:36Z)
Towards Out-of-Distribution Sequential Event Prediction: A Causal Treatment [72.50906475214457]
シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
論文参考訳（メタデータ） (2022-10-24T07:54:13Z)
Enhancing Sequential Recommendation with Graph Contrastive Learning [64.05023449355036]
本稿では、逐次推薦のためのグラフコントラスト学習(GCL4SR)という、新しいシーケンシャルレコメンデーションフレームワークを提案する。 GCL4SRは、すべてのユーザのインタラクションシーケンスに基づいて構築された重み付きアイテム遷移グラフ(WITG)を使用して、各インタラクションのグローバルなコンテキスト情報を提供し、シーケンスデータのノイズ情報を弱める。実世界のデータセットの実験では、GCL4SRは最先端のシーケンシャルレコメンデーションメソッドよりも一貫して優れていることが示されている。
論文参考訳（メタデータ） (2022-05-30T03:53:31Z)
Contrastive Self-supervised Sequential Recommendation with Robust Augmentation [101.25762166231904]
Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
論文参考訳（メタデータ） (2021-08-14T07:15:25Z)
Sequence Adaptation via Reinforcement Learning in Recommender Systems [8.909115457491522]
そこで我々は,SARモデルを提案する。SARモデルは,ユーザとイテムの相互作用のシーケンス長をパーソナライズされた方法で調整する。さらに,逐次レコメンデーションの精度を批評家ネットワークの予測累積報酬と整合させるために,共同損失関数を最適化する。実世界の4つのデータセットに対する実験的な評価は,提案モデルがいくつかのベースラインアプローチよりも優れていることを示す。
論文参考訳（メタデータ） (2021-07-31T13:56:46Z)
Cluster Regularization via a Hierarchical Feature Regression [0.0]
本稿では,階層的特徴回帰(HFR)という新しいクラスタベース正規化を提案する。機械学習とグラフ理論の領域からの洞察を動員し、予測セットの教師付き階層表現に沿ってパラメータを推定する。経済成長予測への応用は、実証的な環境でのHFRの有効性を示すために用いられる。
論文参考訳（メタデータ） (2021-07-10T13:03:01Z)
Adversarial and Contrastive Variational Autoencoder for Sequential Recommendation [25.37244686572865]
本稿では、逐次レコメンデーションのためのAdversarial and Contrastive Variational Autoencoder (ACVAE) と呼ばれる新しい手法を提案する。まず,本モデルが高品質な潜在変数を生成することを可能にするadversarial variational bayesフレームワークの下で,シーケンス生成のためのadversarial trainingを導入する。さらに、シーケンスをエンコードする場合、シーケンス内のグローバルおよびローカルの関係をキャプチャするために、繰り返しおよび畳み込み構造を適用します。
論文参考訳（メタデータ） (2021-03-19T09:01:14Z)
Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
論文参考訳（メタデータ） (2020-05-21T12:28:59Z)

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。