論文の概要: Cross-Domain Sequential Recommendation via Neural Process

• arxiv url: http://arxiv.org/abs/2410.13588v1
• Date: Thu, 17 Oct 2024 14:22:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 13:03:18.415501
• Title: Cross-Domain Sequential Recommendation via Neural Process
• Title（参考訳）: ニューラルネットワークによるクロスドメインシーケンスレコメンデーション
• Authors: Haipeng Li, Jiangxia Cao, Yiwen Gao, Yunhuai Liu, Shuchao Pang,
• Abstract要約: Cross-Domain Sequential Recommendation (CDSR)は、シーケンスベースのユーザ関心モデリングにおいてホットなトピックである。 オーバーラップしないユーザの行動の可能性を解き明かし、CDSRを強化する方法を示す。
• 参考スコア（独自算出の注目度）: 9.01082886458853
• License:
• Abstract: Cross-Domain Sequential Recommendation (CDSR) is a hot topic in sequence-based user interest modeling, which aims at utilizing a single model to predict the next items for different domains. To tackle the CDSR, many methods are focused on domain overlapped users' behaviors fitting, which heavily relies on the same user's different-domain item sequences collaborating signals to capture the synergy of cross-domain item-item correlation. Indeed, these overlapped users occupy a small fraction of the entire user set only, which introduces a strong assumption that the small group of domain overlapped users is enough to represent all domain user behavior characteristics. However, intuitively, such a suggestion is biased, and the insufficient learning paradigm in non-overlapped users will inevitably limit model performance. Further, it is not trivial to model non-overlapped user behaviors in CDSR because there are no other domain behaviors to collaborate with, which causes the observed single-domain users' behavior sequences to be hard to contribute to cross-domain knowledge mining. Considering such a phenomenon, we raise a challenging and unexplored question: How to unleash the potential of non-overlapped users' behaviors to empower CDSR?
• Abstract（参考訳）: クロスドメインシーケンスレコメンデーション(CDSR)は、シーケンスベースのユーザ関心モデリングにおいてホットなトピックであり、単一のモデルを使用して、異なるドメインの次の項目を予測することを目的としている。 CDSRに取り組むために、多くの手法がドメインの重複したユーザの振舞いに焦点を合わせ、同じユーザの異なるドメインアイテムシーケンスに強く依存して、クロスドメインアイテム-イテム相関の相乗効果を捉えている。 実際、これらの重複したユーザは、全ユーザセットのごく一部しか占めていないため、ドメインの重複したユーザの小さなグループは、すべてのドメインユーザの振る舞い特性を表現するのに十分である、という強い仮定がもたらされる。 しかし、直観的にはそのような提案は偏りがあり、オーバーラップしないユーザの学習パラダイムが不十分であれば、必然的にモデルの性能を制限できる。 さらに、CDSRの非オーバーラップユーザ動作をモデル化するのは、他のドメイン動作と協調する必要はないため、観察された単一ドメインユーザの動作シーケンスがクロスドメイン知識マイニングに寄与することが難しくなるため、簡単ではない。 このような現象を考えると、我々は難解で未解決の疑問を提起する:CDSRを強力にするために、オーバーラップしないユーザーの行動の可能性を解き放つにはどうすればいいのか?

関連論文リスト

• Mixed Attention Network for Cross-domain Sequential Recommendation [63.983590953727386]
  ドメイン固有・クロスドメイン情報を抽出するために,ローカル・グローバル・アテンション・モジュールを用いた混在注意ネットワーク(MAN)を提案する。 2つの実世界のデータセットに対する実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2023-11-14T16:07:16Z)
• Towards Open-world Cross-Domain Sequential Recommendation: A Model-Agnostic Contrastive Denoising Approach [16.09514981871128]
  クロスドメインシーケンシャルレコメンデーション(CDSR)は、従来のシーケンシャルレコメンデーション(SR)システムに存在するデータ空間の問題に対処することを目的としている。 現実世界のレコメンデーションシステムでは、CDSRシナリオは通常、疎い振る舞いを持つ長い尾を持つユーザーの大多数と、一つのドメインにしか存在しないコールドスタートユーザーで構成される。
  論文  参考訳（メタデータ） (2023-11-08T15:33:06Z)
• Exploiting Graph Structured Cross-Domain Representation for Multi-Domain Recommendation [71.45854187886088]
  マルチドメインレコメンデータシステムは、クロスドメイン表現学習とポジティブな知識伝達の恩恵を受ける。 我々はMAGRecと呼ばれる手法のコンテキスト情報として時間的ドメイン内相互作用とドメイン間相互作用を用いる。 我々は、MAGRecが最先端の手法を一貫して上回る様々なシナリオで、公開データセットで実験を行う。
  論文  参考訳（メタデータ） (2023-02-12T19:51:32Z)
• Cross-domain recommendation via user interest alignment [20.387327479445773]
  クロスドメインレコメンデーションは、複数のドメインからの知識を活用して、従来のレコメンデーションシステムにおけるデータの分散性とコールドスタートの問題を軽減することを目的としている。 このアプローチの一般的な実践は、各ドメインに個別にユーザ埋め込みをトレーニングし、それらを平易な方法で集約することです。 本稿では,2つのドメインの推薦性能を改善するために,新しいドメイン間推薦フレームワークであるCOASTを提案する。
  論文  参考訳（メタデータ） (2023-01-26T23:54:41Z)
• Reinforcement Learning-enhanced Shared-account Cross-domain Sequential Recommendation [38.70844108264403]
  共有アカウント クロスドメインシークエンシャルレコメンデーション(SCSR)は、新たな課題である。 本稿では、基本クロスドメインレコメンデータと強化学習ベースドメインフィルタからなる強化学習ベースソリューション、すなわちRL-ISNを提案する。 提案手法の性能を評価するため,実世界の2つのデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2022-06-16T11:06:32Z)
• Time Interval-enhanced Graph Neural Network for Shared-account Cross-domain Sequential Recommendation [44.34610028544989]
  共有アカウント クロスドメイン シークエンシャルレコメンデーション(SCSR)タスクは、複数のドメインにおける混合ユーザ動作を活用することで、次の項目を推奨することを目的としている。 既存のSCSRの研究は主に、リカレントニューラルネットワーク(RNN)ベースのモデルによるシーケンシャルパターンのマイニングに依存している。 上記の課題に対処するために,新たなグラフベースのソリューションTiDA-GCNを提案する。
  論文  参考訳（メタデータ） (2022-06-16T10:06:01Z)
• Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
  マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。 本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。 最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
  論文  参考訳（メタデータ） (2021-09-07T04:28:09Z)
• Multi-Interactive Attention Network for Fine-grained Feature Learning in CTR Prediction [48.267995749975476]
  クリックスルー率(ctr)予測シナリオでは、ユーザのシーケンシャルな動作を利用してユーザの関心を捉える。 既存の手法は主にユーザの行動に注意を払っているが、CTR予測には必ずしも適していない。 マルチインタラクティブ・アテンション・ネットワーク (MIAN) を提案し, 各種微細な特徴間の潜在関係を総合的に抽出する。
  論文  参考訳（メタデータ） (2020-12-13T05:46:19Z)
• CATN: Cross-Domain Recommendation for Cold-Start Users via Aspect Transfer Network [49.35977893592626]
  コールドスタートユーザのためのアスペクト転送ネットワークによるクロスドメインレコメンデーションフレームワーク(CATN)を提案する。 CATNは、レビュー文書から各ユーザと各アイテムの複数のアスペクトを抽出し、注意機構を用いてドメイン間のアスペクト相関を学習する。 実世界のデータセットでは、提案したCATNは、評価予測精度の点でSOTAモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2020-05-21T10:05:19Z)
• Cross-domain Face Presentation Attack Detection via Multi-domain Disentangled Representation Learning [109.42987031347582]
  顔提示攻撃検出(PAD)は,顔認識システムにおいて緊急に解決すべき課題である。 クロスドメイン顔PADのための効率的な非交叉表現学習を提案する。 我々のアプローチは、不整合表現学習(DR-Net)とマルチドメイン学習(MD-Net)からなる。
  論文  参考訳（メタデータ） (2020-04-04T15:45:14Z)

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。