論文の概要: Counterfactual Learning-Driven Representation Disentanglement for Search-Enhanced Recommendation
- arxiv url: http://arxiv.org/abs/2411.18631v1
- Date: Thu, 14 Nov 2024 09:51:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-08 09:45:37.758763
- Title: Counterfactual Learning-Driven Representation Disentanglement for Search-Enhanced Recommendation
- Title（参考訳）: 検索強化リコメンデーションのための非現実的学習駆動型表現ディスタングル
- Authors: Jiajun Cui, Xu Chen, Shuai Xiao, Chen Ju, Jinsong Lan, Qingwen Liu, Wei Zhang,
- Abstract要約: 本稿では,探索強化型推薦のための対実的学習駆動型表現非絡み合いフレームワークを提案する。
検索クエリを活用して,クエリ非依存の汎用機能のみを分離し,アイテム表現をアンタングル化する。
ClardRecは協調フィルタリングとシーケンシャルなレコメンデーションシナリオの両方で有効である。
- 参考スコア（独自算出の注目度）: 19.76299850698492
- License:
- Abstract: For recommender systems in internet platforms, search activities provide additional insights into user interest through query-click interactions with items, and are thus widely used for enhancing personalized recommendation. However, these interacted items not only have transferable features matching users' interest helpful for the recommendation domain, but also have features related to users' unique intents in the search domain. Such domain gap of item features is neglected by most current search-enhanced recommendation methods. They directly incorporate these search behaviors into recommendation, and thus introduce partial negative transfer. To address this, we propose a Counterfactual learning-driven representation disentanglement framework for search-enhanced recommendation, based on the common belief that a user would click an item under a query not solely because of the item-query match but also due to the item's query-independent general features (e.g., color or style) that interest the user. These general features exclude the reflection of search-specific intents contained in queries, ensuring a pure match to users' underlying interest to complement recommendation. According to counterfactual thinking, how would user preferences and query match change for items if we removed their query-related features in search, we leverage search queries to construct counterfactual signals to disentangle item representations, isolating only query-independent general features. These representations subsequently enable feature augmentation and data augmentation for the recommendation scenario. Comprehensive experiments on real datasets demonstrate ClardRec is effective in both collaborative filtering and sequential recommendation scenarios.
- Abstract（参考訳）: インターネットプラットフォームのレコメンデーションシステムでは、検索活動は、アイテムとのクエリクリックインタラクションを通じて、ユーザの興味に対するさらなる洞察を提供するため、パーソナライズされたレコメンデーションの強化に広く利用されている。
しかし,これらのインタラクション項目は,レコメンデーションドメインにおけるユーザの関心に合った伝達可能な機能だけでなく,検索ドメインにおけるユーザのユニークな意図に関連する機能も備えている。
このような項目の特徴のドメインギャップは、現在のほとんどの検索強化レコメンデーション手法によって無視される。
彼らはこれらの検索行動を直接レコメンデーションに組み込んで、部分的な負の転送を導入する。
そこで本研究では,質問文の一致だけでなく,質問文に関係のない一般的な特徴(例えば,色やスタイルなど)によって,検索対象の質問文をクリックしてしまうという共通の信念に基づいて,質問文を検索対象の推薦文に含める対実的学習駆動表現不絡化フレームワークを提案する。
これらの一般的な特徴は、クエリに含まれる検索固有の意図の反映を排除し、リコメンデーションを補完するためにユーザーの基本的な関心に純粋にマッチすることを保証する。
反現実的思考では,検索におけるクエリ関連機能を取り除いた場合,検索クエリを活用すれば,アイテム表現を歪め,クエリ非依存の汎用機能のみを分離する。
これらの表現はその後、レコメンデーションシナリオのための機能拡張とデータ拡張を可能にする。
ClardRecは協調フィルタリングとシーケンシャルなレコメンデーションシナリオの両方で有効である。
関連論文リスト
- Enhancing CTR Prediction in Recommendation Domain with Search Query Representation [31.86615693808628]
本稿では,ユーザ検索クエリの埋め込みから,レコメンデーションドメインにおけるユーザの好みのコンテキスト内で学習するフレームワークを提案する。
具体的には、検索ドメインからのユーザ検索クエリシーケンスを使用して、レコメンデーションドメインの次の時点にユーザーがクリックするアイテムを予測する。
論文 参考訳（メタデータ） (2024-10-28T19:52:09Z) - Beyond Positive History: Re-ranking with List-level Hybrid Feedback [49.52149227298746]
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。
論文 参考訳（メタデータ） (2024-10-28T06:39:01Z) - ExcluIR: Exclusionary Neural Information Retrieval [74.08276741093317]
本稿では,排他的検索のためのリソースセットであるExcluIRを提案する。
評価ベンチマークには3,452の高品質な排他的クエリが含まれている。
トレーニングセットには70,293の排他的クエリが含まれており、それぞれに正のドキュメントと負のドキュメントがペアリングされている。
論文 参考訳（メタデータ） (2024-04-26T09:43:40Z) - FineRec:Exploring Fine-grained Sequential Recommendation [28.27273649170967]
本稿では,属性-選択対のレビューを精査し,逐次レコメンデーションを微妙に処理する新しいフレームワークを提案する。
各属性に対して、ユニークな属性固有のユーザ-オピニオン-イットグラフが作成され、対応する意見が異質なユーザノードとアイテムノードをリンクするエッジとして機能する。
本稿では,属性固有のユーザ/イテム表現をすべての属性にわたって統合し,レコメンデーションを生成するためのインタラクション駆動型融合機構を提案する。
論文 参考訳（メタデータ） (2024-04-19T16:04:26Z) - When Search Meets Recommendation: Learning Disentangled Search
Representation for Recommendation [56.98380787425388]
シークエンシャルレコメンデーション(SESRec)のための検索強化フレームワークを提案する。
SESRec は、S&R の振る舞いにおいて類似および異種表現を分離する。
産業用と公共用両方のデータセットの実験では、SESRecが最先端のモデルより一貫して優れていることが示されている。
論文 参考訳（メタデータ） (2023-05-18T09:04:50Z) - Recommender Systems with Generative Retrieval [58.454606442670034]
本稿では,対象候補の識別子を自己回帰的に復号する新たな生成検索手法を提案する。
そのために、各項目のセマンティックIDとして機能するために、意味論的に意味のあるコードワードを作成します。
提案手法を用いて学習した推薦システムは,様々なデータセット上での現在のSOTAモデルよりも大幅に優れていることを示す。
論文 参考訳（メタデータ） (2023-05-08T21:48:17Z) - Hierarchical Conversational Preference Elicitation with Bandit Feedback [36.507341041113825]
提案システムでは,各ラウンドで推薦するキータームかアイテムのいずれかを選択することができる。
実世界のデータセットを調査・分析し、先行研究と異なり、キーターム報酬は主に代表品の報酬に影響されていることを確認する。
我々は、この観測結果とキータームとアイテム間の階層構造を利用する2つの帯域幅アルゴリズム、Hier-UCBとHier-LinUCBを提案する。
論文 参考訳（メタデータ） (2022-09-06T05:35:24Z) - Counterfactual Learning To Rank for Utility-Maximizing Query
Autocompletion [40.31426350180036]
本稿では,ダウンストリーム検索性能に対するクエリ提案を明示的に最適化する手法を提案する。
ここでは、各クエリ提案が生成するダウンストリームアイテムランキングによって表現されるランキングの集合をランク付けする問題として、これを定式化する。
次に,項目ランクの質によってクエリ提案をランク付けする学習手法を提案する。
論文 参考訳（メタデータ） (2022-04-22T21:40:51Z) - The Stereotyping Problem in Collaboratively Filtered Recommender Systems [77.56225819389773]
行列分解に基づく協調フィルタリングアルゴリズムは,ある種のステレオタイピングを誘導することを示す。
一般のユーザ層では、テキストセットの好みが反相関性がある場合、これらの項目は、ユーザーには推奨されない。
本稿では,各ユーザの多様な利害関係を捉えるために,代替的なモデリング修正を提案する。
論文 参考訳（メタデータ） (2021-06-23T18:37:47Z) - 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)
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。