論文の概要: PRECISE: Pre-training Sequential Recommenders with Collaborative and Semantic Information

• arxiv url: http://arxiv.org/abs/2412.06308v1
• Date: Mon, 09 Dec 2024 08:55:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-10 14:56:13.873784
• Title: PRECISE: Pre-training Sequential Recommenders with Collaborative and Semantic Information
• Title（参考訳）: PreCISE: 協調的・意味的情報を用いた事前学習型シーケンスレコメンド
• Authors: Chonggang Song, Chunxu Shen, Hao Gu, Yaoming Wu, Lingling Yi, Jie Wen, Chuan Chen,
• Abstract要約: 現実世界のレコメンデーションシステムは、ユーザーが対話するための多様なコンテンツシナリオを提供するのが一般的である。 すべてのシナリオの要件を満たすために単一の統一されたレコメンデーションモデルを使用することは不可能である。 そこで本研究では,PreCISEと呼ばれる,シーケンシャルレコメンデーションのための新しい事前学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 12.033363057768137
• License:
• Abstract: Real-world recommendation systems commonly offer diverse content scenarios for users to interact with. Considering the enormous number of users in industrial platforms, it is infeasible to utilize a single unified recommendation model to meet the requirements of all scenarios. Usually, separate recommendation pipelines are established for each distinct scenario. This practice leads to challenges in comprehensively grasping users' interests. Recent research endeavors have been made to tackle this problem by pre-training models to encapsulate the overall interests of users. Traditional pre-trained recommendation models mainly capture user interests by leveraging collaborative signals. Nevertheless, a prevalent drawback of these systems is their incapacity to handle long-tail items and cold-start scenarios. With the recent advent of large language models, there has been a significant increase in research efforts focused on exploiting LLMs to extract semantic information for users and items. However, text-based recommendations highly rely on elaborate feature engineering and frequently fail to capture collaborative similarities. To overcome these limitations, we propose a novel pre-training framework for sequential recommendation, termed PRECISE. This framework combines collaborative signals with semantic information. Moreover, PRECISE employs a learning framework that initially models users' comprehensive interests across all recommendation scenarios and subsequently concentrates on the specific interests of target-scene behaviors. We demonstrate that PRECISE precisely captures the entire range of user interests and effectively transfers them to the target interests. Empirical findings reveal that the PRECISE framework attains outstanding performance on both public and industrial datasets.
• Abstract（参考訳）: 現実世界のレコメンデーションシステムは、ユーザーが対話するための多様なコンテンツシナリオを提供するのが一般的である。 産業プラットフォームにおける膨大な数のユーザを考えると、すべてのシナリオの要件を満たすために単一の統合レコメンデーションモデルを使用することは不可能である。 通常、異なるシナリオごとに別々のレコメンデーションパイプラインが確立される。 このプラクティスは、ユーザの関心を包括的に把握する上での課題につながります。 近年,ユーザの全体的な関心をカプセル化するための事前学習モデルによって,この問題に対処するための研究が進められている。 従来のトレーニング済みレコメンデーションモデルは、主に協調的な信号を活用することで、ユーザの関心を捉えます。 それでも、これらのシステムの一般的な欠点は、ロングテールアイテムやコールドスタートシナリオを扱う能力の欠如である。 近年の大規模言語モデルの出現に伴い、ユーザやアイテムのセマンティック情報を抽出するためにLLMを活用する研究が大幅に増加している。 しかし、テキストベースのレコメンデーションは精巧な機能工学に強く依存しており、しばしば協調的な類似点を捉えない。 このような制約を克服するために,PreCISEと呼ばれるシーケンシャルレコメンデーションのための新しい事前学習フレームワークを提案する。 このフレームワークは、協調的な信号と意味情報を組み合わせる。 さらに、PreCISEは、まずすべてのレコメンデーションシナリオにまたがってユーザーの包括的な関心をモデル化し、その後、ターゲットシーンの行動の特定の関心に焦点をあてる学習フレームワークを採用している。 本研究では,PreCISEがユーザの関心を正確に把握し,対象の利害関係者に効果的に転送できることを実証する。 実証的な結果は、PreCISEフレームワークがパブリックデータセットとインダストリアルデータセットの両方で優れたパフォーマンスを実現していることを示している。

関連論文リスト

• LLM-assisted Explicit and Implicit Multi-interest Learning Framework for Sequential Recommendation [50.98046887582194]
  本研究では,ユーザの興味を2つのレベル – 行動と意味論 – でモデル化する,明示的で暗黙的な多目的学習フレームワークを提案する。 提案するEIMFフレームワークは,小型モデルとLLMを効果的に組み合わせ,多目的モデリングの精度を向上させる。
  論文  参考訳（メタデータ） (2024-11-14T13:00:23Z)
• Collaborative Knowledge Fusion: A Novel Approach for Multi-task Recommender Systems via LLMs [18.064625844702206]
  我々は、パーソナライズされた協調的知識融合を通じてマルチタスクレコメンデーションを促進する、CKFと呼ばれる新しいフレームワークを導入する。 多様なレコメンデーションタスクの内在的関係を明らかにするために,マルチタスク最適化のためのパラメータ効率の高い新しいアプローチであるMulti-Loraを開発した。
  論文  参考訳（メタデータ） (2024-10-28T00:38:06Z)
• Retrieval Augmentation via User Interest Clustering [57.63883506013693]
  インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。 本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。 当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
  論文  参考訳（メタデータ） (2024-08-07T16:35:10Z)
• Knowledge Adaptation from Large Language Model to Recommendation for Practical Industrial Application [54.984348122105516]
  大規模テキストコーパスで事前訓練されたLarge Language Models (LLMs) は、推奨システムを強化するための有望な道を示す。 オープンワールドの知識と協調的な知識を相乗化するLlm-driven knowlEdge Adaptive RecommeNdation (LEARN) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-07T04:00:30Z)
• Contrastive Learning Method for Sequential Recommendation based on Multi-Intention Disentanglement [5.734747179463411]
  MIDCL(Multi-Intention Disentanglement)に基づくコントラスト学習シーケンシャルレコメンデーション手法を提案する。 私たちの仕事では、意図は動的で多様なものとして認識され、ユーザの振る舞いは、しばしば現在のマルチインテンションによって駆動されます。 本稿では,最も関連性の高いユーザの対話的意図の探索と,正のサンプル対の相互情報の最大化のための2種類のコントラスト学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2024-04-28T15:13:36Z)
• Cross-Domain Causal Preference Learning for Out-of-Distribution Recommendation [0.8315707564931466]
  現在の推奨システムは、トレーニングとテストデータセットが同じ分布を持つという仮定に依存している。 本研究では,CDCOR(Out-of-Distribution Recommendation)のためのクロスドメイン因果選好学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-04-23T09:21:15Z)
• Large Language Models meet Collaborative Filtering: An Efficient All-round LLM-based Recommender System [19.8986219047121]
  協調フィルタリング推薦システム (CF-RecSys) は, ソーシャルメディアやeコマースプラットフォーム上でのユーザエクスペリエンス向上に成功している。 近年の戦略は、事前訓練されたモダリティエンコーダと大規模言語モデルに基づくユーザ/イテムのモダリティ情報の活用に重点を置いている。 コールドシナリオだけでなく、ウォームシナリオにおいても優れたA-LLMRecと呼ばれる全周LCMベースのレコメンダシステムを提案する。
  論文  参考訳（メタデータ） (2024-04-17T13:03:07Z)
• MISSRec: Pre-training and Transferring Multi-modal Interest-aware Sequence Representation for Recommendation [61.45986275328629]
  逐次レコメンデーションのためのマルチモーダル事前学習・転送学習フレームワークであるMISSRecを提案する。 ユーザ側ではトランスフォーマーベースのエンコーダデコーダモデルを設計し、コンテキストエンコーダがシーケンスレベルのマルチモーダルユーザ興味を捉えることを学習する。 候補項目側では,ユーザ適応項目表現を生成するために動的融合モジュールを採用する。
  論文  参考訳（メタデータ） (2023-08-22T04:06:56Z)
• Generative Slate Recommendation with Reinforcement Learning [49.75985313698214]
  強化学習アルゴリズムは、レコメンデータシステムのユーザエンゲージメントを最適化するために使用することができる。 しかし、RLアプローチはスレートレコメンデーションシナリオでは難解である。 この設定では、アクションはアイテムの組み合わせを含むことができるスレートに対応する。 本研究では,変分オートエンコーダによって学習された連続低次元ラテント空間におけるスレートの符号化を提案する。 我々は、(i)以前の作業で要求される仮定を緩和し、(ii)完全なスレートをモデル化することで、アクション選択の品質を向上させることができる。
  論文  参考訳（メタデータ） (2023-01-20T15:28:09Z)
• Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
  逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。 しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。 したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
  論文  参考訳（メタデータ） (2022-11-17T19:00:24Z)

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。