論文の概要: Item Cluster-aware Prompt Learning for Session-based Recommendation

• arxiv url: http://arxiv.org/abs/2410.04756v1
• Date: Mon, 7 Oct 2024 05:20:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-02 02:07:46.534275
• Title: Item Cluster-aware Prompt Learning for Session-based Recommendation
• Title（参考訳）: セッションベースレコメンデーションのためのアイテムクラスタ対応プロンプト学習
• Authors: Wooseong Yang, Chen Wang, Zihe Song, Weizhi Zhang, Philip S. Yu,
• Abstract要約: セッションベースのレコメンデーションは、個々のセッション内のアイテムシーケンスを分析することによって、ユーザの好みをキャプチャすることを目的としている。 既存のアプローチのほとんどは、セッション内のアイテムの関係に重点を置いており、異なるセッション間でのアイテム間の接続を無視している。 このような課題に対処するために、CLIP-SBR(Cluster-aware Item Prompt Learning for Session-based Recommendation)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 36.93334485299296
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Session-based recommendation (SBR) aims to capture dynamic user preferences by analyzing item sequences within individual sessions. However, most existing approaches focus mainly on intra-session item relationships, neglecting the connections between items across different sessions (inter-session relationships), which limits their ability to fully capture complex item interactions. While some methods incorporate inter-session information, they often suffer from high computational costs, leading to longer training times and reduced efficiency. To address these challenges, we propose the CLIP-SBR (Cluster-aware Item Prompt learning for Session-Based Recommendation) framework. CLIP-SBR is composed of two modules: 1) an item relationship mining module that builds a global graph to effectively model both intra- and inter-session relationships, and 2) an item cluster-aware prompt learning module that uses soft prompts to integrate these relationships into SBR models efficiently. We evaluate CLIP-SBR across eight SBR models and three benchmark datasets, consistently demonstrating improved recommendation performance and establishing CLIP-SBR as a robust solution for session-based recommendation tasks.
• Abstract（参考訳）: セッションベースのレコメンデーション(SBR)は、個々のセッション内のアイテムシーケンスを分析することによって、動的なユーザの好みをキャプチャすることを目的としている。 しかし、既存のほとんどのアプローチは、セッション内のアイテム間の関係(セッション間関係)を無視し、複雑なアイテム間のインタラクションを完全に捉える能力を制限することに重点を置いている。 セッション間情報を含む手法もあるが、しばしば高い計算コストに悩まされ、訓練時間が長くなり効率が低下する。 これらの課題に対処するため,CLIP-SBR(Cluster-aware Item Prompt Learning for Session-Based Recommendation)フレームワークを提案する。 CLIP-SBRは2つのモジュールから構成されています。 1)グローバルグラフを構築して,セッション内関係とセッション間関係を効果的にモデル化する項目関係採鉱モジュール 2) SBRモデルにこれらの関係を効率的に組み込むためにソフトプロンプトを利用するアイテムクラスタ対応プロンプト学習モジュール。 8つのSBRモデルと3つのベンチマークデータセットでCLIP-SBRを評価し、改善された推奨性能を一貫して証明し、セッションベースレコメンデーションタスクの堅牢なソリューションとしてCLIP-SBRを確立する。

関連論文リスト

• Beyond Inter-Item Relations: Dynamic Adaption for Enhancing LLM-Based Sequential Recommendation [83.87767101732351]
  逐次リコメンデータシステム(SRS)は,ユーザの過去のインタラクションシーケンスに基づいて,ユーザが好む次の項目を予測する。 様々なAIアプリケーションにおける大規模言語モデル(LLM)の台頭に触発されて、LLMベースのSRSの研究が急増している。 我々は,大きめの粒度適応の上に構築された逐次レコメンデーションモデルであるDARecを提案する。
  論文  参考訳（メタデータ） (2024-08-14T10:03:40Z)
• Multi-intent-aware Session-based Recommendation [10.882186298592671]
  セッションベースのレコメンデーション(SBR)は、ユーザが進行中のセッション中に対話する次の項目を予測することを目的としている。 既存のSBRモデルはセッション表現を学ぶための洗練されたニューラルネットワークエンコーダの設計に重点を置いている。 セッションベース推薦モデル(MiaSRec)と呼ばれる新しいSBRモデルを提案する。
  論文  参考訳（メタデータ） (2024-05-02T03:49:46Z)
• Spatial-Temporal Multi-level Association for Video Object Segmentation [89.32226483171047]
  本稿では,参照フレーム,テストフレーム,オブジェクト特徴を相互に関連付ける空間的・時間的多レベルアソシエーションを提案する。 具体的には,空間的・時間的多段階特徴関連モジュールを構築し,より優れた目標認識特徴を学習する。
  論文  参考訳（メタデータ） (2024-04-09T12:44:34Z)
• LLM4SBR: A Lightweight and Effective Framework for Integrating Large Language Models in Session-based Recommendation [27.922143384779563]
  従来のセッションベースレコメンデーション(SBR)は、匿名ユーザからのセッション行動シーケンスを使用してレコメンデーションを行う。 LLM Integration Framework for SBR (LLM4SBR) を軽量・プラグアンドプレイフレームワークとして提案する。 実世界の2つのデータセットについて実験を行い, LLM4SBRが従来のSBRモデルの性能を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2024-02-21T14:38:02Z)
• Time-aware Hyperbolic Graph Attention Network for Session-based Recommendation [58.748215444851226]
  セッションベースのレコメンデーション(SBR、Session-based Recommendation)は、ユーザの次の関心項目を以前のブラウジングセッションに基づいて予測することである。 時間情報を考慮したセッションベースレコメンデーションモデルを構築するために,TA-HGAT(Time-Aware Hyperbolic Graph Attention Network)を提案する。
  論文  参考訳（メタデータ） (2023-01-10T04:16:09Z)
• STAR: A Session-Based Time-Aware Recommender System [8.122270502556372]
  セッションベースレコメンダ(SBR)は,セッションにおける過去のインタラクションに関するユーザの次の好みを予測することを目的としている。 本稿では,SBRの性能向上におけるセッション時間情報の可能性について検討する。 本稿では、セッション内のイベント間の時間間隔を利用して、アイテムやセッションのより情報的な表現を構築するSTARフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-11T18:25:48Z)
• SR-GCL: Session-Based Recommendation with Global Context Enhanced Augmentation in Contrastive Learning [5.346468677221906]
  セッションベースのレコメンデーションは、進行中のセッションに基づいて、ユーザの次の振る舞いを予測することを目的としている。 最近の研究は、複雑なアイテム遷移をキャプチャするための注意機構を備えたグラフニューラルネットワークを適用している。 セッションベースレコメンデーションのための新しいコントラスト学習フレームワークSR-GCLを提案する。
  論文  参考訳（メタデータ） (2022-09-22T06:18:20Z)
• Sequential Search with Off-Policy Reinforcement Learning [48.88165680363482]
  本稿では,RNN学習フレームワークとアテンションモデルからなる,スケーラブルなハイブリッド学習モデルを提案する。 新たな最適化のステップとして、1つのRNNパスに複数の短いユーザシーケンスをトレーニングバッチ内に収める。 また、マルチセッションパーソナライズされた検索ランキングにおける非政治強化学習の利用についても検討する。
  論文  参考訳（メタデータ） (2022-02-01T06:52:40Z)
• Choosing the Best of Both Worlds: Diverse and Novel Recommendations through Multi-Objective Reinforcement Learning [68.45370492516531]
  本稿では,Recommender Systems (RS) 設定のための拡張多目的強化学習(SMORL)を紹介する。 SMORLエージェントは、標準レコメンデーションモデルを拡張し、RLレイヤーを追加し、3つの主要な目的(正確性、多様性、新しいレコメンデーション)を同時に満たすように強制する。 実世界の2つのデータセットに対する実験結果から,集約的多様性の顕著な増加,精度の適度な向上,レコメンデーションの反復性の低下,および相補的目的としての多様性と新規性の強化の重要性が示された。
  論文  参考訳（メタデータ） (2021-10-28T13:22:45Z)
• Incorporating User Micro-behaviors and Item Knowledge into Multi-task Learning for Session-based Recommendation [18.516121495514007]
  セッションベースのレコメンデーション(SR)は、与えられたセッションに基づいて次に対話されたアイテムを予測することを目的としている。 ほとんどの既存のSRモデルは、あるユーザが対話するセッションにおける連続したアイテムの活用にのみ焦点をあてている。 セッションベースレコメンデーションのためのマルチタスク学習にユーザマイクロビヘイビアとアイテム知識を組み込んだ新しいSRモデルMKM-SRを提案する。
  論文  参考訳（メタデータ） (2020-06-12T03:06:23Z)

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。