論文の概要: Beyond Positive History: Re-ranking with List-level Hybrid Feedback
- arxiv url: http://arxiv.org/abs/2410.20778v1
- Date: Mon, 28 Oct 2024 06:39:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-10 11:30:25.923914
- Title: Beyond Positive History: Re-ranking with List-level Hybrid Feedback
- Title（参考訳）: Beyond Positive History: リストレベルのハイブリッドフィードバックで再ランク付け
- Authors: Muyan Weng, Yunjia Xi, Weiwen Liu, Bo Chen, Jianghao Lin, Ruiming Tang, Weinan Zhang, Yong Yu,
- Abstract要約: リストレベルのハイブリッドフィードバック (dubed RELIFE) を用いた再ランク付けを提案する。
ユーザの好みや行動パターンを3つのモジュールでキャプチャする。
実験により、RELIFEはSOTAの再ランクベースラインを著しく上回っていることが示された。
- 参考スコア（独自算出の注目度）: 49.52149227298746
- License:
- Abstract: As the last stage of recommender systems, re-ranking generates a re-ordered list that aligns with the user's preference. However, previous works generally focus on item-level positive feedback as history (e.g., only clicked items) and ignore that users provide positive or negative feedback on items in the entire list. This list-level hybrid feedback can reveal users' holistic preferences and reflect users' comparison behavior patterns manifesting within a list. Such patterns could predict user behaviors on candidate lists, thus aiding better re-ranking. Despite appealing benefits, extracting and integrating preferences and behavior patterns from list-level hybrid feedback into re-ranking multiple items remains challenging. To this end, we propose Re-ranking with List-level Hybrid Feedback (dubbed RELIFE). It captures user's preferences and behavior patterns with three modules: a Disentangled Interest Miner to disentangle the user's preferences into interests and disinterests, a Sequential Preference Mixer to learn users' entangled preferences considering the context of feedback, and a Comparison-aware Pattern Extractor to capture user's behavior patterns within each list. Moreover, for better integration of patterns, contrastive learning is adopted to align the behavior patterns of candidate and historical lists. Extensive experiments show that RELIFE significantly outperforms SOTA re-ranking baselines.
- Abstract（参考訳）: 推薦システムの最終段階として、再ランク付けされたリストは、ユーザの好みに合わせて生成される。
しかしながら、以前の研究は一般的に、履歴としてアイテムレベルの肯定的なフィードバック(例えば、クリックした項目のみ)に焦点を当てており、ユーザがリスト全体のアイテムに対して肯定的あるいは否定的なフィードバックを提供することを無視している。
このリストレベルのハイブリッドフィードバックは、ユーザの全体的な好みを明らかにし、リスト内で現れるユーザの比較行動パターンを反映する。
このようなパターンは、候補リスト上のユーザの振る舞いを予測し、より良いランク付けを支援する。
魅力的なメリットにもかかわらず、リストレベルのハイブリッドフィードバックから好みと行動パターンを抽出し、統合して、複数の項目を再ランク付けすることは依然として難しい。
この目的のために、リストレベルのハイブリッドフィードバック(RELIFE)を用いたリグレードを提案する。
ユーザの好みと行動パターンを3つのモジュールでキャプチャする: Disentangled Interest Miner - ユーザの好みを興味や関心に分解する、Sequential Preference Mixer - フィードバックのコンテキストを考慮したユーザの絡み合った好みを学習する、そして、各リスト内のユーザの行動パターンをキャプチャする比較認識パターンエクストラクタ。
さらに、パターンのより良い統合のために、候補リストと履歴リストの振舞いパターンを整合させるために、コントラスト学習が採用されている。
大規模な実験により、RELIFEはSOTAの再ランクベースラインを著しく上回っていることが示された。
関連論文リスト
- 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) - Learning from Negative User Feedback and Measuring Responsiveness for
Sequential Recommenders [13.762960304406016]
シーケンシャルレコメンデータのトレーニング目標に、明示的かつ暗黙的なネガティブなユーザフィードバックを導入する。
大規模産業レコメンデーションシステムを用いた実演実験により,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-08-23T17:16:07Z) - RankFormer: Listwise Learning-to-Rank Using Listwide Labels [2.9005223064604078]
本稿では,新しいリストワイド評価目標と従来型のリストワイド評価目標を共同で最適化できるアーキテクチャとしてRangeFormerを提案する。
Amazon Searchのデータでeコマースの実験を行い、RangeFormerがオフラインのすべてのベースラインより優れていることを見つけました。
論文 参考訳（メタデータ） (2023-06-09T10:47:06Z) - Comparison-based Conversational Recommender System with Relative Bandit
Feedback [15.680698037463488]
比較に基づく会話推薦システムを提案する。
我々はRelativeConUCBと呼ばれる新しい帯域幅アルゴリズムを提案する。
合成および実世界の両方のデータセットに対する実験により,提案手法の利点が検証された。
論文 参考訳（メタデータ） (2022-08-21T08:05:46Z) - PEAR: Personalized Re-ranking with Contextualized Transformer for
Recommendation [48.17295872384401]
文脈変換器に基づくパーソナライズされた再ランクモデル(Dubbed PEAR)を提案する。
PEARは、既存のメソッドに対していくつかの大きな改善を行っている。
また、ランキングリスト全体のユーザの満足度を評価するために、リストレベルの分類タスクでPEARのトレーニングを強化する。
論文 参考訳（メタデータ） (2022-03-23T08:29:46Z) - Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback
based Recommendation [59.183016033308014]
本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。
提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
論文 参考訳（メタデータ） (2021-05-16T08:06:22Z) - Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。
我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。
私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
論文 参考訳（メタデータ） (2020-05-19T10:18:43Z) - SetRank: A Setwise Bayesian Approach for Collaborative Ranking from
Implicit Feedback [50.13745601531148]
提案手法は,提案システムにおける暗黙的フィードバックの特性に対応するために,協調的ランキング(SeetRank)のためのセッティングワイドベイズ的手法を提案する。
具体的には、SetRankは、新しい設定された選好比較の後方確率を最大化することを目的としている。
また、SetRankの理論解析により、余剰リスクの境界が$sqrtM/N$に比例できることを示す。
論文 参考訳（メタデータ） (2020-02-23T06:40:48Z)
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。