論文の概要: SimRec: Mitigating the Cold-Start Problem in Sequential Recommendation by Integrating Item Similarity

• arxiv url: http://arxiv.org/abs/2410.22136v1
• Date: Tue, 29 Oct 2024 15:32:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 11:30:31.354391
• Title: SimRec: Mitigating the Cold-Start Problem in Sequential Recommendation by Integrating Item Similarity
• Title（参考訳）: SimRec: 項目類似性の統合によるシークエンシャルレコメンデーションにおけるコールドスタート問題の緩和
• Authors: Shaked Brody, Shoval Lagziel,
• Abstract要約: SimRecはシーケンシャルレコメンデーションシステムにおけるコールドスタート問題を緩和するための新しいアプローチである。 カスタマイズされた損失関数を通じて、アイテムの類似性をトレーニングプロセスに組み込む。 SimRecはSASRecに比べて最大78%高いHR@10を達成する。
• 参考スコア（独自算出の注目度）: 3.5297361401370044
• License:
• Abstract: Sequential recommendation systems often struggle to make predictions or take action when dealing with cold-start items that have limited amount of interactions. In this work, we propose SimRec - a new approach to mitigate the cold-start problem in sequential recommendation systems. SimRec addresses this challenge by leveraging the inherent similarity among items, incorporating item similarities into the training process through a customized loss function. Importantly, this enhancement is attained with identical model architecture and the same amount of trainable parameters, resulting in the same inference time and requiring minimal additional effort. This novel approach results in a robust contextual sequential recommendation model capable of effectively handling rare items, including those that were not explicitly seen during training, thereby enhancing overall recommendation performance. Rigorous evaluations against multiple baselines on diverse datasets showcase SimRec's superiority, particularly in scenarios involving items occurring less than 10 times in the training data. The experiments reveal an impressive improvement, with SimRec achieving up to 78% higher HR@10 compared to SASRec. Notably, SimRec outperforms strong baselines on sparse datasets while delivering on-par performance on dense datasets. Our code is available at https://github.com/amazon-science/sequential-recommendation-using-similarity.
• Abstract（参考訳）: シーケンシャルレコメンデーションシステムは、インタラクションの量が限られているコールドスタートアイテムを扱う際に、予測や行動を起こすのに苦労することが多い。 本研究では,シーケンシャルレコメンデーションシステムにおけるコールドスタート問題を緩和する新しいアプローチであるSimRecを提案する。 SimRecはこの課題に対処し、アイテム間の固有の類似性を活用し、カスタマイズされた損失関数を通じてトレーニングプロセスにアイテム類似性を統合する。 重要なことに、この拡張は同一のモデルアーキテクチャと同一のトレーニング可能なパラメータで達成され、結果として推論時間は同じになり、最小限の追加作業が必要になる。 この新たなアプローチは、トレーニング中に明示的に見えないものを含むレアアイテムを効果的に扱える堅牢なコンテキストシーケンシャルレコメンデーションモデルをもたらし、全体的なレコメンデーションパフォーマンスを向上する。 多様なデータセットに対する複数のベースラインに対する厳密な評価は、SimRecの優位性を示す。 実験の結果、SimRecはSASRecに比べて最大78%高いHR@10を達成した。 特に、SimRecは、密度の高いデータセットでオンパーのパフォーマンスを提供しながら、スパースデータセットの強いベースラインを上回ります。 私たちのコードはhttps://github.com/amazon-science/sequential-recommendation-using-similarityで利用可能です。

関連論文リスト

• UniRec: A Dual Enhancement of Uniformity and Frequency in Sequential Recommendations [13.654819858917332]
  新たな双方向拡張シーケンシャルレコメンデーション手法であるUniRecを提案する。 UniRecは、一様でないシーケンスと少ない頻度のアイテムの表現を改善している。 我々の知る限り、UniRecは特徴増強のための均一性と周波数の特性を利用する最初の方法である。
  論文  参考訳（メタデータ） (2024-06-26T16:28:24Z)
• NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking [65.24988062003096]
  我々は,視覚に基づく運転ポリシーをベンチマークするフレームワークであるNAVSIMを提案する。 我々のシミュレーションは非反応性であり、評価された政策と環境は互いに影響を与えない。 NAVSIMはCVPR 2024で開催され、143チームが433のエントリーを提出し、いくつかの新たな洞察を得た。
  論文  参考訳（メタデータ） (2024-06-21T17:59:02Z)
• gSASRec: Reducing Overconfidence in Sequential Recommendation Trained with Negative Sampling [67.71952251641545]
  負のサンプリングで訓練されたモデルは、正の相互作用の確率を過大評価する傾向がある。 本稿では, 一般化二項クロスエントロピー損失関数(gBCE)を提案する。 本稿では,gSASRecが過信問題を示さない3つのデータセットについて詳細な実験を行った。
  論文  参考訳（メタデータ） (2023-08-14T14:56:40Z)
• Effective and Efficient Training for Sequential Recommendation using Recency Sampling [91.02268704681124]
  本稿では,新しいRecency-based Smpling of Sequencesトレーニング目標を提案する。 提案手法により拡張されたモデルにより,最先端のBERT4Recに近い性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-07-06T13:06:31Z)
• Sequential Recommendation via Stochastic Self-Attention [68.52192964559829]
  Transformerベースのアプローチでは、アイテムをベクトルとして埋め込んで、ドット積の自己アテンションを使用してアイテム間の関係を測定する。 本稿では,これらの問題を克服するための新しいtextbfStochastic textbfSelf-textbfAttention (STOSA) を提案する。 我々は、アイテムと項目の位置関係を列で特徴づける新しいワッサースタイン自己保持モジュールを考案した。
  論文  参考訳（メタデータ） (2022-01-16T12:38:45Z)
• Top-N Recommendation with Counterfactual User Preference Simulation [26.597102553608348]
  ユーザーランキングに基づく好みの学習を目的としたTop-Nレコメンデーションは、長い間、広範囲のアプリケーションにおいて基本的な問題だった。 本稿では,データ不足問題に対処するため,因果推論フレームワーク内での推薦タスクの再構築を提案する。
  論文  参考訳（メタデータ） (2021-09-02T14:28:46Z)
• 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)
• StackRec: Efficient Training of Very Deep Sequential Recommender Models by Layer Stacking [34.46361802163175]
  層スタッキングによる深層SRモデルのためのシンプルで非常に効率的なトレーニングフレームワークであるStackRecを紹介します。 まず、よく訓練された深層SRモデルにおける残留層/ブロックが同様の分布を有するという重要な洞察を提供する。 そこで本研究では,事前学習した残存層/ブロックを段階的に積み重ね,より深く,より訓練しやすいSRモデルを提案する。
  論文  参考訳（メタデータ） (2020-12-14T14:41:43Z)
• S^3-Rec: Self-Supervised Learning for Sequential Recommendation with Mutual Information Maximization [104.87483578308526]
  本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。 そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。 6つの実世界のデータセットで実施された大規模な実験は、既存の最先端手法よりも提案手法が優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-18T11:44:10Z)

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。