論文の概要: GRAINRec: Graph and Attention Integrated Approach for Real-Time Session-Based Item Recommendations

• arxiv url: http://arxiv.org/abs/2411.09152v1
• Date: Thu, 14 Nov 2024 03:07:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-15 15:24:08.074510
• Title: GRAINRec: Graph and Attention Integrated Approach for Real-Time Session-Based Item Recommendations
• Title（参考訳）: GRAINRec: リアルタイムセッションベースのアイテムレコメンデーションのためのグラフと注意統合アプローチ
• Authors: Bhavtosh Rath, Pushkar Chennu, David Relyea, Prathyusha Kanmanth Reddy, Amit Pande,
• Abstract要約: 本稿では,リアルタイムにレコメンデーションを生成するグラフおよびアテンション統合セッションベースレコメンデーションモデルであるGRAINRecを提案する。 提案モデルでは,セッションにおけるすべての項目の重要性を考慮し,レコメンデーションを生成する。 また、TargetプラットフォームのSLA(Service Level Agreement)を満たすリアルタイム推論を実装するアプローチを提案する。
• 参考スコア（独自算出の注目度）: 1.1497969960800027
• License:
• Abstract: Recent advancements in session-based recommendation models using deep learning techniques have demonstrated significant performance improvements. While they can enhance model sophistication and improve the relevance of recommendations, they also make it challenging to implement a scalable real-time solution. To addressing this challenge, we propose GRAINRec- a Graph and Attention Integrated session-based recommendation model that generates recommendations in real-time. Our scope of work is item recommendations in online retail where a session is defined as an ordered sequence of digital guest actions, such as page views or adds to cart. The proposed model generates recommendations by considering the importance of all items in the session together, letting us predict relevant recommendations dynamically as the session evolves. We also propose a heuristic approach to implement real-time inferencing that meets Target platform's service level agreement (SLA). The proposed architecture lets us predict relevant recommendations dynamically as the session evolves, rather than relying on pre-computed recommendations for each item. Evaluation results of the proposed model show an average improvement of 1.5% across all offline evaluation metrics. A/B tests done over a 2 week duration showed an increase of 10% in click through rate and 9% increase in attributable demand. Extensive ablation studies are also done to understand our model performance for different parameters.
• Abstract（参考訳）: 近年,ディープラーニング技術を用いたセッションベースレコメンデーションモデルの進歩により,性能が大幅に向上した。 モデルの洗練を向上し、レコメンデーションの関連性を向上させる一方で、スケーラブルなリアルタイムソリューションの実装も困難にしている。 この課題に対処するために、リアルタイムにレコメンデーションを生成するグラフおよびアテンション統合セッションベースのレコメンデーションモデルであるGRAINRecを提案する。 我々の作業範囲はオンライン小売業におけるアイテムレコメンデーションであり、セッションはページビューやカートの追加といったデジタルゲストアクションの順序づけられたシーケンスとして定義される。 提案モデルでは,セッション中のすべての項目の重要度を考慮し,セッションの進行とともに適切なレコメンデーションを動的に予測する。 また、TargetプラットフォームのSLA(Service Level Agreement)を満たすリアルタイム推論を実装するためのヒューリスティックなアプローチを提案する。 提案されたアーキテクチャは、各項目の事前計算されたレコメンデーションに頼るのではなく、セッションが進化するにつれて、関連するレコメンデーションを動的に予測することを可能にする。 提案モデルの評価結果は,すべてのオフライン評価指標に対して平均1.5%改善したことを示している。 2週間のA/Bテストでは、クリックスルーレートが10%増加し、帰属需要が9%増加した。 異なるパラメータに対するモデル性能を理解するために、広範囲にわたるアブレーション研究も行われている。

関連論文リスト

• SessionRec: Next Session Prediction Paradigm For Generative Sequential Recommendation [20.51953517144625]
  生成的逐次レコメンデーションのための新しい次世代予測パラダイムであるSessionRecを紹介する。 実際のセッションベースのユーザインタラクションに矛盾するNIPPの項目レベルの自己回帰生成とは異なり、我々のフレームワークはセッション認識表現学習を導入している。 その結果、次のセッション予測パラダイムの下で、セッション内の項目のランクロスを組み込むことで、生成シーケンス推薦モデルのランキングの有効性を著しく向上できることがわかった。
  論文  参考訳（メタデータ） (2025-02-14T13:36:20Z)
• Interactive Visualization Recommendation with Hier-SUCB [52.11209329270573]
  本稿では,従来のインタラクションからユーザフィードバックを学習する対話型パーソナライズドビジュアライゼーションレコメンデーション(PVisRec)システムを提案する。 よりインタラクティブで正確なレコメンデーションのために、PVisRec設定における文脈的半帯域であるHier-SUCBを提案する。
  論文  参考訳（メタデータ） (2025-02-05T17:14:45Z)
• Scaling New Frontiers: Insights into Large Recommendation Models [74.77410470984168]
  MetaのジェネレーティブレコメンデーションモデルHSTUは、パラメータを数千億に拡張することでレコメンデーションシステムのスケーリング法則を説明している。 我々は、これらのスケーリング法則の起源を探るため、包括的なアブレーション研究を行っている。 大規模なレコメンデーションモデルの今後の方向性に関する洞察を提供する。
  論文  参考訳（メタデータ） (2024-12-01T07:27:20Z)
• Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
  SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)
• A GNN Model with Adaptive Weights for Session-Based Recommendation Systems [0.0]
  セッションベースレコメンデーション(SBR)で使用できる新しいアプローチを提案する。 本稿では,グラフニューラルネットワーク(GNN)ベクトルに適用した適応重み付け機構を提案する。 アイテムは、重み付けメカニズムの結果、各セッション内で様々な重要性の度合いが割り当てられます。
  論文  参考訳（メタデータ） (2024-08-09T13:13:43Z)
• Structured Dynamic Pricing: Optimal Regret in a Global Shrinkage Model [50.06663781566795]
  消費者の嗜好と価格感が時間とともに変化する動的モデルを考える。 我々は,モデルパラメータの順序を事前に把握している透視者と比較して,収益損失が予想される,後悔による動的価格政策の性能を計測する。 提案した政策の最適性を示すだけでなく,政策立案のためには,利用可能な構造情報を組み込むことが不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-03-28T00:23:23Z)
• Session-aware Linear Item-Item Models for Session-based Recommendation [16.081904457871815]
  セッションベースのレコメンデーションは、セッションで消費された以前の項目のシーケンスから次の項目を予測することを目的とする。 セッションの全体的側面を考慮した簡便かつ効果的な線形モデルを提案する。
  論文  参考訳（メタデータ） (2021-03-30T06:28:40Z)
• Comprehensive Empirical Evaluation of Deep Learning Approaches for Session-based Recommendation in E-Commerce [38.42250061908039]
  セッションベースのレコメンデーションでは、リコメンデーションシステムは、同じセッション内でユーザが行ったイベントの順序をカウントして、他のアイテムを予測し、支持する。 本稿では,セッションベースレコメンデーションで使用される最先端のディープラーニングアプローチについて,包括的に評価する。
  論文  参考訳（メタデータ） (2020-10-17T17:22:35Z)
• Self-Supervised Reinforcement Learning for Recommender Systems [77.38665506495553]
  逐次リコメンデーションタスクのための自己指導型強化学習を提案する。 提案手法は,2つの出力層を持つ標準レコメンデーションモデルを強化する。 このようなアプローチに基づいて、自己監督型Q-ラーニング(SQN)と自己監督型アクター・クライブ(SAC)という2つのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-10T11:18:57Z)
• TAGNN: Target Attentive Graph Neural Networks for Session-based Recommendation [66.04457457299218]
  セッションベースレコメンデーションのための新しいターゲット注意グラフニューラルネットワーク(TAGNN)モデルを提案する。 TAGNNでは、ターゲット・アウェア・アテンションは、様々なターゲット項目に関して異なるユーザ関心を適応的に活性化する。 学習した関心表現ベクトルは、異なる対象項目によって変化し、モデルの表現性を大幅に改善する。
  論文  参考訳（メタデータ） (2020-05-06T14:17:05Z)

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。