論文の概要: Optimizing Encoder-Only Transformers for Session-Based Recommendation Systems

• arxiv url: http://arxiv.org/abs/2410.11150v1
• Date: Tue, 15 Oct 2024 00:23:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-16 14:01:23.368753
• Title: Optimizing Encoder-Only Transformers for Session-Based Recommendation Systems
• Title（参考訳）: セッションベース推薦システムのためのエンコーダオンリー変換器の最適化
• Authors: Anis Redjdal, Luis Pinto, Michel Desmarais,
• Abstract要約: シングルセッションレコメンデーションの課題に対処するために、シークエンシャル・マスクド・モデリングを導入します。 本手法は,ウィンドウスライディングによるデータ拡張と,一意なトークンマスキング戦略を組み合わせることで,シーケンシャルな依存関係をより効率的にキャプチャする。 広範に利用されている3つのデータセット、Yoochoose 1/64、Diginetica、Tmallに対するアプローチを評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Session-based recommendation is the task of predicting the next item a user will interact with, often without access to historical user data. In this work, we introduce Sequential Masked Modeling, a novel approach for encoder-only transformer architectures to tackle the challenges of single-session recommendation. Our method combines data augmentation through window sliding with a unique penultimate token masking strategy to capture sequential dependencies more effectively. By enhancing how transformers handle session data, Sequential Masked Modeling significantly improves next-item prediction performance. We evaluate our approach on three widely-used datasets, Yoochoose 1/64, Diginetica, and Tmall, comparing it to state-of-the-art single-session, cross-session, and multi-relation approaches. The results demonstrate that our Transformer-SMM models consistently outperform all models that rely on the same amount of information, while even rivaling methods that have access to more extensive user history. This study highlights the potential of encoder-only transformers in session-based recommendation and opens the door for further improvements.
• Abstract（参考訳）: セッションベースのレコメンデーションは、ユーザが対話する次の項目を予測するタスクである。 本研究では,エンコーダのみのトランスフォーマーアーキテクチャを単一セッションレコメンデーションの課題に対処するための新しいアプローチであるSequential Masked Modelingを紹介する。 本手法は,ウィンドウスライディングによるデータ拡張と,一意なトークンマスキング戦略を組み合わせることで,シーケンシャルな依存関係をより効率的にキャプチャする。 トランスフォーマーがセッションデータを処理する方法を強化することで、Sequential Masked Modelingは次世代の予測性能を大幅に改善する。 我々は,3つの広く利用されているデータセット,Yoochoose 1/64,Diginetica,Tmallに対するアプローチを,最先端のシングルセッション,クロスセッション,マルチリレーションアプローチと比較した。 その結果、Transformer-SMMモデルは、同じ量の情報に依存しているすべてのモデルより一貫して優れており、より広範なユーザー履歴にアクセスする方法にさえ対抗しています。 本研究は,セッションベースレコメンデーションにおけるエンコーダのみのトランスフォーマーの可能性を強調し,さらなる改善に向けた扉を開く。

関連論文リスト

• Pareto Front Approximation for Multi-Objective Session-Based Recommender Systems [0.0]
  MultiTRONは、マルチオブジェクトセッションベースのレコメンデータシステムに近似技術を適用するアプローチである。 提案手法は,選好ベクトルの学習によるクリックスルーや変換率といった重要な指標間のトレードオフを最適化する。 大規模なオフラインおよびオンライン評価を通じて、モデルの性能を検証する。
  論文  参考訳（メタデータ） (2024-07-23T20:38:23Z)
• 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)
• MISSRec: Pre-training and Transferring Multi-modal Interest-aware Sequence Representation for Recommendation [61.45986275328629]
  逐次レコメンデーションのためのマルチモーダル事前学習・転送学習フレームワークであるMISSRecを提案する。 ユーザ側ではトランスフォーマーベースのエンコーダデコーダモデルを設計し、コンテキストエンコーダがシーケンスレベルのマルチモーダルユーザ興味を捉えることを学習する。 候補項目側では,ユーザ適応項目表現を生成するために動的融合モジュールを採用する。
  論文  参考訳（メタデータ） (2023-08-22T04:06:56Z)
• ClusterSeq: Enhancing Sequential Recommender Systems with Clustering based Meta-Learning [3.168790535780547]
  ClusterSeqはメタラーニングクラスタリングに基づくシーケンスレコメンダシステムである。 ユーザシーケンスの動的情報を利用して、サイド情報がない場合でもアイテム予測精度を高める。 提案手法は平均相反ランク(MRR)において16～39%の大幅な改善を実現する。
  論文  参考訳（メタデータ） (2023-07-25T18:53:24Z)
• Emergent Agentic Transformer from Chain of Hindsight Experience [96.56164427726203]
  簡単なトランスフォーマーベースモデルが時間差と模倣学習に基づくアプローチの両方と競合することを示す。 単純なトランスフォーマーベースのモデルが時間差と模倣学習ベースのアプローチの両方で競合するのはこれが初めてである。
  論文  参考訳（メタデータ） (2023-05-26T00:43:02Z)
• Federated Privacy-preserving Collaborative Filtering for On-Device Next App Prediction [52.16923290335873]
  本稿では,モバイルデバイス使用時の次のアプリの起動を予測するための新しいSeqMFモデルを提案する。 古典行列分解モデルの構造を修正し、学習手順を逐次学習に更新する。 提案手法のもうひとつの要素は,ユーザからリモートサーバへの送信データの保護を保証する,新たなプライバシメカニズムである。
  論文  参考訳（メタデータ） (2023-02-05T10:29:57Z)
• Masked Autoencoding for Scalable and Generalizable Decision Making [93.84855114717062]
  MaskDPは、強化学習と行動クローンのためのシンプルでスケーラブルな自己教師付き事前学習手法である。 我々は,MaskDPモデルにより,単一ゴールや複数ゴール到達といった新しいBCタスクへのゼロショット転送能力が得られることを発見した。
  論文  参考訳（メタデータ） (2022-11-23T07:04:41Z)
• A Sequence-Aware Recommendation Method Based on Complex Networks [1.385805101975528]
  データからネットワークモデルを構築し、それを使ってユーザのその後のアクションを予測する。 提案手法は大規模データセット上で実験的に実装および試験を行った。
  論文  参考訳（メタデータ） (2022-09-30T16:34:39Z)
• 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)
• 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)

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。