論文の概要: Temporal Linear Item-Item Model for Sequential Recommendation
- arxiv url: http://arxiv.org/abs/2412.07382v1
- Date: Tue, 10 Dec 2024 10:28:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-11 14:37:49.247426
- Title: Temporal Linear Item-Item Model for Sequential Recommendation
- Title(参考訳): 時系列レコメンデーションのための時間線形項目モデル
- Authors: Seongmin Park, Mincheol Yoon, Minjin Choi, Jongwuk Lee,
- Abstract要約: 我々はTemporAl LinEarItem-item Model(TALE)という新しい線形逐次レコメンデーション(SR)モデルを提案する。
TALEは、トレーニング/推論の効率を保ちながら、時間情報を3つのキーコンポーネントに組み込む。
我々の実証研究により、TALEは5つのベンチマークデータセットで10の競合SRモデルよりも18.71%向上していることが示された。
- 参考スコア(独自算出の注目度): 11.38663190377008
- License:
- Abstract: In sequential recommendation (SR), neural models have been actively explored due to their remarkable performance, but they suffer from inefficiency inherent to their complexity. On the other hand, linear SR models exhibit high efficiency and achieve competitive or superior accuracy compared to neural models. However, they solely deal with the sequential order of items (i.e., sequential information) and overlook the actual timestamp (i.e., temporal information). It is limited to effectively capturing various user preference drifts over time. To address this issue, we propose a novel linear SR model, named TemporAl LinEar item-item model (TALE), incorporating temporal information while preserving training/inference efficiency, with three key components. (i) Single-target augmentation concentrates on a single target item, enabling us to learn the temporal correlation for the target item. (ii) Time interval-aware weighting utilizes the actual timestamp to discern the item correlation depending on time intervals. (iii) Trend-aware normalization reflects the dynamic shift of item popularity over time. Our empirical studies show that TALE outperforms ten competing SR models by up to 18.71% gains on five benchmark datasets. It also exhibits remarkable effectiveness in evaluating long-tail items by up to 30.45% gains. The source code is available at https://github.com/psm1206/TALE.
- Abstract(参考訳): シーケンシャルレコメンデーション(SR)では、ニューラルネットワークはその顕著な性能のために活発に探索されてきたが、その複雑さに固有の非効率さに悩まされている。
一方、線形SRモデルは高い効率を示し、ニューラルモデルと比較して競合的あるいは優れた精度を達成する。
しかし、それらはアイテムの順序(シーケンシャル情報)のみを処理し、実際のタイムスタンプ(時間情報)を見渡す。
ユーザの好みを効果的に把握することは、時間とともに制限される。
この問題に対処するため,TemporAl LinEarItem-item Model (TALE) という新しい線形SRモデルを提案する。
一 一つの対象項目に集中して、対象項目の時間的相関を学習することができること。
二 時間間隔対応重み付けは、実際のタイムスタンプを利用して、時間間隔に応じてアイテム相関を識別する。
三 トレンドアウェアの正規化は、アイテムの人気の経時変化を反映している。
我々の実証研究により、TALEは5つのベンチマークデータセットで10の競合SRモデルよりも18.71%向上していることが示された。
また、ロングテールアイテムを最大30.45%の利得で評価する際も顕著な効果がある。
ソースコードはhttps://github.com/psm1206/TALEで公開されている。
関連論文リスト
- TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。
提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。
我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
論文 参考訳(メタデータ) (2024-01-06T06:26:49Z) - Self Attention with Temporal Prior: Can We Learn More from Arrow of Time? [0.276240219662896]
本稿では,注目層がデータセットの短期的時間バイアスをよりよく符号化できる簡易かつ効率的な手法を提案する。
本実験は,ほとんどのタスクやデータセットにおいて,最高の性能を示すモデルと比較して,例外的な分類結果を示す。
論文 参考訳(メタデータ) (2023-10-29T08:00:13Z) - Temporal Smoothness Regularisers for Neural Link Predictors [8.975480841443272]
TNTComplExのような単純な手法は、最先端の手法よりもはるかに正確な結果が得られることを示す。
また,2つの時間的リンク予測モデルに対する幅広い時間的平滑化正規化の影響についても検討した。
論文 参考訳(メタデータ) (2023-09-16T16:52:49Z) - Time-aware Hyperbolic Graph Attention Network for Session-based
Recommendation [58.748215444851226]
セッションベースのレコメンデーション(SBR、Session-based Recommendation)は、ユーザの次の関心項目を以前のブラウジングセッションに基づいて予測することである。
時間情報を考慮したセッションベースレコメンデーションモデルを構築するために,TA-HGAT(Time-Aware Hyperbolic Graph Attention Network)を提案する。
論文 参考訳(メタデータ) (2023-01-10T04:16:09Z) - Generating Negative Samples for Sequential Recommendation [83.60655196391855]
逐次レコメンデーション(SR)のための負のサンプル(イテム)を生成することを提案する。
アイテムに対する現在のSRモデルの学習されたユーザの好みに基づいて、各タイムステップで負の項目をサンプリングする。
4つの公開データセットの実験は、SRに高品質な負のサンプルを提供することの重要性を検証する。
論文 参考訳(メタデータ) (2022-08-07T05:44:13Z) - 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) - Deep Generative model with Hierarchical Latent Factors for Time Series
Anomaly Detection [40.21502451136054]
本研究は、時系列異常検出のための新しい生成モデルであるDGHLを提示する。
トップダウンの畳み込みネットワークは、新しい階層的な潜在空間を時系列ウィンドウにマッピングし、時間ダイナミクスを利用して情報を効率的にエンコードする。
提案手法は,4つのベンチマーク・データセットにおいて,現在の最先端モデルよりも優れていた。
論文 参考訳(メタデータ) (2022-02-15T17:19:44Z) - Learning Dual Dynamic Representations on Time-Sliced User-Item
Interaction Graphs for Sequential Recommendation [62.30552176649873]
シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。
両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。
モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
論文 参考訳(メタデータ) (2021-09-24T07:44:27Z) - An Enhanced Adversarial Network with Combined Latent Features for
Spatio-Temporal Facial Affect Estimation in the Wild [1.3007851628964147]
本稿では,遅延特徴に基づく時間的モデリングにより,空間的特徴と時間的特徴の両方を効率的に抽出する新しいモデルを提案する。
提案モデルは3つの主要ネットワークから成り,造語生成器,判別器,コンビネータを用いて,適応型アテンションモジュールを実現するために,敵対的な学習環境において訓練を行う。
論文 参考訳(メタデータ) (2021-02-18T04:10:12Z) - Learning summary features of time series for likelihood free inference [93.08098361687722]
時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。
以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
論文 参考訳(メタデータ) (2020-12-04T19:21:37Z)
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。