論文の概要: Augmenting Sequential Recommendation with Balanced Relevance and Diversity

• arxiv url: http://arxiv.org/abs/2412.08300v3
• Date: Sat, 21 Dec 2024 09:17:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 15:50:38.396420
• Title: Augmenting Sequential Recommendation with Balanced Relevance and Diversity
• Title（参考訳）: バランスの取れた関連性と多様性を考慮したシーケンスレコメンデーションの強化
• Authors: Yizhou Dang, Jiahui Zhang, Yuting Liu, Enneng Yang, Yuliang Liang, Guibing Guo, Jianzhe Zhao, Xingwei Wang,
• Abstract要約: 本稿では、関連性と多様性のバランスをとるデータを生成するために、BASRec(Balanced Data Augmentation for Sequential Recommendation)を提案する。 BASRecはSingle-Sequence AugmentationとCross-Sequence Augmentationの2つのモジュールで構成されている。 我々は,BASRecが既存の手法よりも妥当性と多様性のバランスのよいデータを生成することを示した。
• 参考スコア（独自算出の注目度）: 17.542273338911553
• License:
• Abstract: By generating new yet effective data, data augmentation has become a promising method to mitigate the data sparsity problem in sequential recommendation. Existing works focus on augmenting the original data but rarely explore the issue of imbalanced relevance and diversity for augmented data, leading to semantic drift problems or limited performance improvements. In this paper, we propose a novel Balanced data Augmentation Plugin for Sequential Recommendation (BASRec) to generate data that balance relevance and diversity. BASRec consists of two modules: Single-sequence Augmentation and Cross-sequence Augmentation. The former leverages the randomness of the heuristic operators to generate diverse sequences for a single user, after which the diverse and the original sequences are fused at the representation level to obtain relevance. Further, we devise a reweighting strategy to enable the model to learn the preferences based on the two properties adaptively. The Cross-sequence Augmentation performs nonlinear mixing between different sequence representations from two directions. It produces virtual sequence representations that are diverse enough but retain the vital semantics of the original sequences. These two modules enhance the model to discover fine-grained preferences knowledge from single-user and cross-user perspectives. Extensive experiments verify the effectiveness of BASRec. The average improvement is up to 72.0% on GRU4Rec, 33.8% on SASRec, and 68.5% on FMLP-Rec. We demonstrate that BASRec generates data with a better balance between relevance and diversity than existing methods. The source code is available at https://github.com/KingGugu/BASRec.
• Abstract（参考訳）: 新たな有効データを生成することによって,データ拡張は,データの分散問題を逐次的レコメンデーションで緩和する,有望な方法となっている。 既存の作業は、元のデータの強化に重点を置いているが、拡張データに対する不均衡な妥当性と多様性の問題を調べることはまれであり、セマンティックドリフトの問題や限られたパフォーマンス改善につながっている。 本稿では、関連性と多様性のバランスをとるデータを生成するために、BASRec(Balanced Data Augmentation Plugin for Sequential Recommendation)を提案する。 BASRecはSingle-Sequence AugmentationとCross-Sequence Augmentationの2つのモジュールで構成されている。 前者は、ヒューリスティック演算子のランダム性を活用して、単一のユーザに対して多様なシーケンスを生成し、その後、多様なシーケンスと元のシーケンスを表現レベルで融合して関連性を得る。 さらに、モデルが2つの特性に基づいて好みを適応的に学習できるように、重み付け戦略を考案する。 クロスシーケンス拡張は、2つの方向から異なるシーケンス表現の間で非線形混合を行う。 十分に多様な仮想シーケンス表現を生成するが、元のシーケンスの重要な意味を保っている。 これら2つのモジュールはモデルを強化し、シングルユーザーとクロスユーザーの観点からきめ細かい好みの知識を発見する。 大規模な実験はBASRecの有効性を検証する。 GRU4Recは72.0%、SASRecは33.8%、FMLP-Recは68.5%である。 我々は,BASRecが既存の手法よりも妥当性と多様性のバランスのよいデータを生成することを示した。 ソースコードはhttps://github.com/KingGugu/BASRec.comで入手できる。

関連論文リスト

• UniRec: A Dual Enhancement of Uniformity and Frequency in Sequential Recommendations [13.654819858917332]
  新たな双方向拡張シーケンシャルレコメンデーション手法であるUniRecを提案する。 UniRecは、一様でないシーケンスと少ない頻度のアイテムの表現を改善している。 我々の知る限り、UniRecは特徴増強のための均一性と周波数の特性を利用する最初の方法である。
  論文  参考訳（メタデータ） (2024-06-26T16:28:24Z)
• Diffusion-based Contrastive Learning for Sequential Recommendation [6.3482831836623355]
  本稿では,CaDiRecという,文脈対応拡散に基づく逐次推薦のためのコントラスト学習を提案する。 CaDiRecは、コンテキスト対応拡散モデルを使用して、シーケンス内の所定の位置に対する代替アイテムを生成する。 フレームワーク全体をエンドツーエンドでトレーニングし、拡散モデルとレコメンデーションモデルの間でアイテムの埋め込みを共有します。
  論文  参考訳（メタデータ） (2024-05-15T14:20:37Z)
• Self-Evolved Diverse Data Sampling for Efficient Instruction Tuning [47.02160072880698]
  モデル自体が等しくあるいはそれ以上に効果的であるサブセットを積極的にサンプリングできる自己進化メカニズムを導入します。 データサンプリング技術の鍵は、選択したサブセットの多様性の向上にあります。 3つのデータセットとベンチマークにわたる大規模な実験は、DiverseEvolの有効性を示している。
  論文  参考訳（メタデータ） (2023-11-14T14:10:40Z)
• Diffusion Augmentation for Sequential Recommendation [47.43402785097255]
  本稿では,より高品質な生成のためのDiffuASR(Diffusion Augmentation for Sequential Recommendation)を提案する。 DiffuASRによる強化データセットは、複雑なトレーニング手順なしで、シーケンシャルレコメンデーションモデルを直接トレーニングするために使用することができる。 3つの逐次レコメンデーションモデルを用いた3つの実世界のデータセットに関する広範な実験を行った。
  論文  参考訳（メタデータ） (2023-09-22T13:31:34Z)
• Enhancing Few-shot NER with Prompt Ordering based Data Augmentation [59.69108119752584]
  本稿では,PODA(Prompt Ordering Based Data Augmentation)手法を提案する。 3つのパブリックNERデータセットの実験結果とさらなる分析により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-05-19T16:25:43Z)
• Mutual Exclusivity Training and Primitive Augmentation to Induce Compositionality [84.94877848357896]
  最近のデータセットは、標準的なシーケンス・ツー・シーケンスモデルにおける体系的な一般化能力の欠如を露呈している。 本稿では,セq2seqモデルの振る舞いを分析し,相互排他バイアスの欠如と全例を記憶する傾向の2つの要因を同定する。 広範に使用されている2つの構成性データセット上で、標準的なシーケンス・ツー・シーケンスモデルを用いて、経験的改善を示す。
  論文  参考訳（メタデータ） (2022-11-28T17:36:41Z)
• DORE: Document Ordered Relation Extraction based on Generative Framework [56.537386636819626]
  本稿では,既存のDocREモデルの根本原因について検討する。 本稿では,モデルが学習しやすく,決定論的な関係行列から記号列と順序列を生成することを提案する。 4つのデータセットに対する実験結果から,提案手法は生成型DocREモデルの性能を向上させることができることが示された。
  論文  参考訳（メタデータ） (2022-10-28T11:18:10Z)
• Improving Contrastive Learning with Model Augmentation [123.05700988581806]
  このシーケンシャルレコメンデーションは,ユーザ行動における次の項目を予測することを目的としている。 シーケンスにおけるデータの分散性やノイズの問題から,新たな自己教師付き学習(SSL)パラダイムが提案され,性能が向上した。
  論文  参考訳（メタデータ） (2022-03-25T06:12:58Z)
• Contrastive Self-supervised Sequential Recommendation with Robust Augmentation [101.25762166231904]
  Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。 データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。 逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
  論文  参考訳（メタデータ） (2021-08-14T07:15:25Z)

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。