論文の概要: Online Item Cold-Start Recommendation with Popularity-Aware Meta-Learning

• arxiv url: http://arxiv.org/abs/2411.11225v1
• Date: Mon, 18 Nov 2024 01:30:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:31:59.011509
• Title: Online Item Cold-Start Recommendation with Popularity-Aware Meta-Learning
• Title（参考訳）: 人気度を考慮したメタラーニングによるオンラインアイテムコールドスタート勧告
• Authors: Yunze Luo, Yuezihan Jiang, Yinjie Jiang, Gaode Chen, Jingchi Wang, Kaigui Bian, Peiyi Li, Qi Zhang,
• Abstract要約: 本稿では,アイテムコールドスタート問題に対処するために,Popularity-Aware Meta-learning (PAM) と呼ばれるモデルに依存しない推薦アルゴリズムを提案する。 PAMは、入力データを予め定義されたアイテム人気閾値によって異なるメタ学習タスクに分割する。 これらのタスク修正設計により、オフラインメソッドと比較して計算とストレージコストが大幅に削減される。
• 参考スコア（独自算出の注目度）: 14.83192161148111
• License:
• Abstract: With the rise of e-commerce and short videos, online recommender systems that can capture users' interests and update new items in real-time play an increasingly important role. In both online and offline recommendation, the cold-start problem due to interaction sparsity has been affecting the recommendation effect of cold-start items, which is also known as the long-tail problem of item distribution. Many cold-start scheme based on fine-tuning or knowledge transferring shows excellent performance on offline recommendation. Yet, these schemes are infeasible for online recommendation on streaming data pipelines due to different training method, computational overhead and time constraints. Inspired by the above questions, we propose a model-agnostic recommendation algorithm called Popularity-Aware Meta-learning (PAM), to address the item cold-start problem under streaming data settings. PAM divides the incoming data into different meta-learning tasks by predefined item popularity thresholds. The model can distinguish and reweight behavior-related features and content-related features in each task based on their different roles in different popularity levels, thus adapting to recommendations for cold-start samples. These task-fixing design significantly reduces additional computation and storage costs compared to offline methods. Furthermore, PAM also introduced data augmentation and an additional self-supervised loss specifically designed for low-popularity tasks, leveraging insights from high-popularity samples. This approach effectively mitigates the issue of inadequate supervision due to the scarcity of cold-start samples. Experimental results across multiple public datasets demonstrate the superiority of our approach over other baseline methods in addressing cold-start challenges in online streaming data scenarios.
• Abstract（参考訳）: 電子商取引やショートビデオの普及に伴い、ユーザの興味を捉え、新しいアイテムをリアルタイムで更新するオンラインレコメンデーションシステムは、ますます重要な役割を担っている。 オンラインとオフラインの両方において、相互作用の疎さによるコールドスタート問題は、アイテム分布のロングテール問題としても知られるコールドスタートアイテムの推奨効果に影響を与えている。 微調整や知識伝達に基づくコールドスタートスキームの多くは、オフラインのレコメンデーションにおいて優れたパフォーマンスを示す。 しかし、これらのスキームは、異なるトレーニング方法、計算オーバーヘッド、時間制約のために、ストリーミングデータパイプライン上でのオンラインレコメンデーションには有効ではない。 以上の質問に触発されて、我々は、ストリーミングデータ設定下でのアイテムコールドスタート問題に対処するために、Popularity-Aware Meta-learning (PAM)と呼ばれるモデルに依存しない推薦アルゴリズムを提案する。 PAMは、入力したデータを、予め定義されたアイテムの人気閾値によって異なるメタ学習タスクに分割する。 このモデルは、各タスクにおける行動関連特徴とコンテンツ関連特徴を、異なる人気レベルにおける異なる役割に基づいて区別し、再重み付けすることができるため、コールドスタートサンプルのレコメンデーションに適応することができる。 これらのタスク修正設計により、オフラインメソッドと比較して計算とストレージコストが大幅に削減される。 さらに、PAMはデータ拡張や、低人気タスク用に特別に設計された自己監督的損失を導入し、高人気サンプルからの洞察を活用している。 この手法は, 冷間始動サンプルの不足により, 不適切な監視の問題を効果的に緩和するものである。 複数の公開データセットにまたがる実験結果は,オンラインストリーミングデータシナリオにおけるコールドスタート問題に対処する上で,他のベースライン手法よりもアプローチが優れていることを示す。

関連論文リスト

• BayesCNS: A Unified Bayesian Approach to Address Cold Start and Non-Stationarity in Search Systems at Scale [1.1634177851893535]
  BayesCNSは、大規模検索システムにおけるコールドスタートおよび非定常分布シフトを処理するように設計されている。 BayesCNSは、オンラインに集められた新しいユーザーインタラクションを継続的に更新するユーザとイテムのインタラクションの事前分布を推定することで、これを達成している。 このオンライン学習手順はランサーモデルによりガイドされ、コンテキスト情報を用いて関連項目の効率的な探索を可能にする。
  論文  参考訳（メタデータ） (2024-10-03T01:14:30Z)
• Denoising Pre-Training and Customized Prompt Learning for Efficient Multi-Behavior Sequential Recommendation [69.60321475454843]
  マルチビヘイビアシークエンシャルレコメンデーションに適した,最初の事前学習および迅速な学習パラダイムであるDPCPLを提案する。 事前学習段階において,複数の時間スケールでノイズを除去する新しい行動マイナ (EBM) を提案する。 次に,提案するCustomized Prompt Learning (CPL)モジュールを用いて,事前学習したモデルを高効率にチューニングすることを提案する。
  論文  参考訳（メタデータ） (2024-08-21T06:48:38Z)
• Cold & Warm Net: Addressing Cold-Start Users in Recommender Systems [10.133475523630139]
  コールドスタートレコメンデーションは、レコメンダシステム(RS)が直面する大きな課題の1つです。 本稿では,コールドスタートユーザとウォームアップユーザをそれぞれモデル化する専門家モデルに基づいて,コールド&ウォームネットを提案する。 提案モデルはまた,産業用ショートビデオプラットフォーム上に展開され,アプリドウェル時間とユーザ保持率の大幅な向上を実現している。
  論文  参考訳（メタデータ） (2023-09-27T13:31:43Z)
• Interactive Graph Convolutional Filtering [79.34979767405979]
  インタラクティブ・レコメンダ・システム(IRS)は、パーソナライズされた記事レコメンデーション、ソーシャルメディア、オンライン広告など、さまざまな領域でますます利用されている。 これらの問題は、コールドスタート問題とデータスポーサリティ問題によって悪化する。 既存のMulti-Armed Bandit手法は、慎重に設計された探査戦略にもかかわらず、しばしば初期の段階で満足な結果を提供するのに苦労する。 提案手法は,ユーザとアイテム間の協調フィルタリング性能を向上させるため,協調フィルタリングをグラフモデルに拡張する。
  論文  参考訳（メタデータ） (2023-09-04T09:02:31Z)
• Meta-Learning with Adaptive Weighted Loss for Imbalanced Cold-Start Recommendation [4.379304291229695]
  本稿では,勾配に基づくメタラーニングに基づく新しいシーケンシャルレコメンデーションフレームワークを提案する。 私たちの仕事は、コールドスタートシーケンシャルなレコメンデーションシナリオにおいて、不均衡な評価の影響に最初に取り組みます。
  論文  参考訳（メタデータ） (2023-02-28T15:18:42Z)
• Diverse Preference Augmentation with Multiple Domains for Cold-start Recommendations [92.47380209981348]
  メタラーニングをベースとした多元的ドメインを用いた多元的推論拡張フレームワークを提案する。 我々は、疎結合の場合の過度な適合を扱うために、新しい関心領域において多様な評価を生成する。 これらの評価は、選好メタラーナーを学ぶためのメタトレーニング手順に導入され、優れた一般化能力が得られる。
  論文  参考訳（メタデータ） (2022-04-01T10:10:50Z)
• Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
  コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。 MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
  論文  参考訳（メタデータ） (2021-10-18T08:11:24Z)
• Privileged Graph Distillation for Cold Start Recommendation [57.918041397089254]
  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の問題は、歴史的相互作用の記録のない属性に基づいて新しいユーザー(イテム)に推奨することである。 特権グラフ蒸留モデル(PGD)を提案する。 提案手法は,新規ユーザ,新規ユーザ,新規ユーザを対象とする異なるコールドスタートシナリオに適用可能である。
  論文  参考訳（メタデータ） (2021-05-31T14:05:27Z)
• Cold-start Sequential Recommendation via Meta Learner [10.491428090228768]
  本研究では,逐次推薦における項目コールドスタート問題を軽減するために,メタラーニングに基づくコールドスタートシーケンシャルレコメンデーションフレームワーク,mecosを提案する。 mecosは限られたインタラクションからユーザの好みを効果的に抽出し、ターゲットのコールドスタートアイテムと潜在的なユーザとのマッチングを学ぶ。
  論文  参考訳（メタデータ） (2020-12-10T05:23:13Z)
• 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)

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。