論文の概要: Modeling Temporal Positive and Negative Excitation for Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2410.22013v1
• Date: Tue, 29 Oct 2024 13:02:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-30 13:39:42.555053
• Title: Modeling Temporal Positive and Negative Excitation for Sequential Recommendation
• Title（参考訳）: シークエンシャルレコメンデーションのための時間的肯定的および否定的励振のモデル化
• Authors: Chengkai Huang, Shoujin Wang, Xianzhi Wang, Lina Yao,
• Abstract要約: シークエンシャルレコメンデーションは、時間とともにアイテムに対する関心をモデル化することで、ユーザーが興味を持つ次のアイテムを予測することを目的としている。 既存のリコメンデーションモデルのほとんどは、ユーザの静的な関心を静的な属性情報によって明らかにしながら、特定の項目に対する動的関心を連続的にモデル化する。 静的興味と負の励起の両方をモデル化して動的関心をモデル化し、推薦性能をさらに向上する。
• 参考スコア（独自算出の注目度）: 23.055217651991537
• License:
• Abstract: Sequential recommendation aims to predict the next item which interests users via modeling their interest in items over time. Most of the existing works on sequential recommendation model users' dynamic interest in specific items while overlooking users' static interest revealed by some static attribute information of items, e.g., category, or brand. Moreover, existing works often only consider the positive excitation of a user's historical interactions on his/her next choice on candidate items while ignoring the commonly existing negative excitation, resulting in insufficient modeling dynamic interest. The overlook of static interest and negative excitation will lead to incomplete interest modeling and thus impede the recommendation performance. To this end, in this paper, we propose modeling both static interest and negative excitation for dynamic interest to further improve the recommendation performance. Accordingly, we design a novel Static-Dynamic Interest Learning (SDIL) framework featured with a novel Temporal Positive and Negative Excitation Modeling (TPNE) module for accurate sequential recommendation. TPNE is specially designed for comprehensively modeling dynamic interest based on temporal positive and negative excitation learning. Extensive experiments on three real-world datasets show that SDIL can effectively capture both static and dynamic interest and outperforms state-of-the-art baselines.
• Abstract（参考訳）: シークエンシャルレコメンデーションは、時間とともにアイテムに対する関心をモデル化することで、ユーザーが興味を持つ次のアイテムを予測することを目的としている。 既存のリコメンデーションモデルのほとんどは、アイテム、カテゴリ、ブランドの静的属性情報によって明らかにされたユーザの静的な関心を見落としながら、特定のアイテムに対するユーザの動的関心を逐次的にモデル化する。 さらに、既存の作品は、一般的に存在する負の励起を無視しながら、ユーザの次の選択に対するユーザの履歴的相互作用の肯定的な励起のみを考慮し、結果としてモデリングのダイナミックな関心が不足する。 静的な関心と負の興奮の見落としは、不完全な関心モデリングをもたらし、したがってレコメンデーションパフォーマンスを阻害する。 そこで本稿では,静的興味と負の励起の両方をモデル化して動的関心をモデル化し,推薦性能をさらに向上する手法を提案する。 そこで我々は,新しい時間正負励振モデリング(TPNE)モジュールを備えた静的・動的興味学習(SDIL)フレームワークを設計し,正確なシーケンシャルレコメンデーションを実現する。 TPNEは、時間的正と負の励起学習に基づいて、動的興味を包括的にモデル化するように設計されている。 3つの実世界のデータセットに対する大規模な実験は、SDILが静的と動的の両方の関心を効果的に捉え、最先端のベースラインを上回ることを示している。

関連論文リスト

• Deep Evolutional Instant Interest Network for CTR Prediction in Trigger-Induced Recommendation [28.29435760797856]
  本稿では,TIRシナリオにおけるクリックスルーレート予測のための新しい手法であるDeep Evolutional Instant Interest Network (DEI2N)を提案する。 我々は,ユーザがスクロールダウンした場合の瞬間的関心の強度の動的変化を予測するために,ユーザインスタント・関心モデリング・レイヤを設計する。 オフラインおよび実世界の産業データセットを用いて,本手法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-15T15:27:24Z)
• Generating Negative Samples for Sequential Recommendation [83.60655196391855]
  逐次レコメンデーション(SR)のための負のサンプル(イテム)を生成することを提案する。 アイテムに対する現在のSRモデルの学習されたユーザの好みに基づいて、各タイムステップで負の項目をサンプリングする。 4つの公開データセットの実験は、SRに高品質な負のサンプルを提供することの重要性を検証する。
  論文  参考訳（メタデータ） (2022-08-07T05:44:13Z)
• Multi-Behavior Sequential Recommendation with Temporal Graph Transformer [66.10169268762014]
  マルチビヘイビア・インタラクティブなパターンを意識した動的ユーザ・イテム関係学習に取り組む。 本稿では,動的短期および長期のユーザ・イテム対話パターンを共同でキャプチャする,TGT(Temporal Graph Transformer)レコメンデーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-06T15:42:54Z)
• Learning Self-Modulating Attention in Continuous Time Space with Applications to Sequential Recommendation [102.24108167002252]
  本稿では,複雑で非線形に進化する動的ユーザの嗜好をモデル化する,自己変調型注意ネットワークを提案する。 提案手法がトップNシーケンシャルなレコメンデーションタスクに与える影響を実証的に示すとともに,3つの大規模実世界のデータセットによる結果から,我々のモデルが最先端のパフォーマンスを達成できることを示す。
  論文  参考訳（メタデータ） (2022-03-30T03:54:11Z)
• Graph Neural Networks with Dynamic and Static Representations for Social Recommendation [13.645346050614855]
  本稿では,ソーシャルレコメンデーション(GNN-DSR)のための動的および静的表現を備えたグラフニューラルネットワークを提案する。 注意機構は、対象ユーザに対するユーザの社会的影響と、所定のアイテムに対する相関項目の影響を集約するために使用される。 3つの実世界のレコメンデータシステムデータセットの実験は、GNN-DSRの有効性を検証する。
  論文  参考訳（メタデータ） (2022-01-26T05:07:17Z)
• Reinforcement Learning based Path Exploration for Sequential Explainable Recommendation [57.67616822888859]
  強化学習(TMER-RL)を活用した新しい時間的メタパスガイド型説明可能な勧告を提案する。 TMER-RLは, 動的知識グラフ上での動的ユーザ・イテム進化を逐次モデル化するために, 注意機構を持つ連続項目間の強化項目・イテムパスをモデル化する。 2つの実世界のデータセットに対するTMERの大規模な評価は、最近の強いベースラインと比較して最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2021-11-24T04:34:26Z)
• Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation [62.30552176649873]
  シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。 両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。 モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:44:27Z)
• Modeling Dynamic Attributes for Next Basket Recommendation [60.72738829823519]
  このような動的属性のモデリングはレコメンデーション性能を高めることができると我々は主張する。 動的属性をモデル化する新しい注意ネットワーク(AnDa)を提案する。
  論文  参考訳（メタデータ） (2021-09-23T21:31:17Z)

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。