論文の概要: Modeling the Heterogeneous Duration of User Interest in Time-Dependent Recommendation: A Hidden Semi-Markov Approach

• arxiv url: http://arxiv.org/abs/2412.11127v1
• Date: Sun, 15 Dec 2024 09:17:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:58:56.975838
• Title: Modeling the Heterogeneous Duration of User Interest in Time-Dependent Recommendation: A Hidden Semi-Markov Approach
• Title（参考訳）: 時間依存レコメンデーションにおけるユーザ関心の不均一な期間のモデル化:隠れセミマルコフアプローチ
• Authors: Haidong Zhang, Wancheng Ni, Xin Li, Yiping Yang,
• Abstract要約: ユーザの関心事の変化を追跡するために,隠れたセミマルコフモデルを提案する。 このモデルでは、(最近)関心のある状態に留まるユーザの異なる期間をキャプチャすることができる。 パラメータを推定し,ユーザの行動を予測するためのアルゴリズムを導出する。
• 参考スコア（独自算出の注目度）: 11.392605386729699
• License:
• Abstract: Recommender systems are widely used for suggesting books, education materials, and products to users by exploring their behaviors. In reality, users' preferences often change over time, leading to studies on time-dependent recommender systems. However, most existing approaches that deal with time information remain primitive. In this paper, we extend existing methods and propose a hidden semi-Markov model to track the change of users' interests. Particularly, this model allows for capturing the different durations of user stays in a (latent) interest state, which can better model the heterogeneity of user interests and focuses. We derive an expectation maximization algorithm to estimate the parameters of the framework and predict users' actions. Experiments on three real-world datasets show that our model significantly outperforms the state-of-the-art time-dependent and static benchmark methods. Further analyses of the experiment results indicate that the performance improvement is related to the heterogeneity of state durations and the drift of user interests in the dataset.
• Abstract（参考訳）: レコメンダシステムは、書籍、教育資料、製品をユーザに対して、その振る舞いを探索することによって提案するために広く利用されている。 実際には、ユーザの好みは時間とともに変化し、時間に依存したレコメンデーションシステムの研究につながります。 しかし、時間情報を扱う既存のアプローチのほとんどは原始的のままである。 本稿では,既存手法を拡張し,ユーザの関心事の変化を追跡するための隠れ半マルコフモデルを提案する。 特に、このモデルは、ユーザの興味と焦点の不均一性をモデル化し、(最近)興味のある状態に留まるユーザの異なる期間をキャプチャすることを可能にする。 我々は,フレームワークのパラメータを推定し,ユーザの行動を予測するための予測最大化アルゴリズムを導出する。 3つの実世界のデータセットの実験により、我々のモデルは最先端の時間依存型および静的なベンチマーク手法よりも大幅に優れていることが示された。 実験結果のさらなる分析により, 性能改善は, データセットにおける状態継続時間の不均一性とユーザ関心の漂流と関係があることが示唆された。

関連論文リスト

• Sequential Recommendation on Temporal Proximities with Contrastive Learning and Self-Attention [3.7182810519704095]
  逐次リコメンデータシステムは、過去のインタラクションからユーザの好みを識別し、後続の項目を最適に予測する。 最近のモデルでは、類似の時間枠中に暗黙的に発生するユーザの行動の類似性を無視することが多い。 本稿では,時間的近接性を考慮したコントラスト学習と自己認識手法を含む,TemProxRecという逐次レコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-02-15T08:33:16Z)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• 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)
• Beyond Learning from Next Item: Sequential Recommendation via Personalized Interest Sustainability [22.120680831015783]
  シークエンシャルレコメンデータシステムでは,ユーザの関心の漂流を捉えることで,効果的な提案がなされている。 ユーザ中心のモデルは、各ユーザの逐次消費履歴に基づいて、パーソナライズされた関心のドリフトをキャプチャする。 アイテム中心のモデルは、トレーニング時間後にユーザーの一般的な関心が持続するかどうかを検討するが、パーソナライズされない。
  論文  参考訳（メタデータ） (2022-09-14T13:47:58Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• Modeling Dynamic User Preference via Dictionary Learning for Sequential Recommendation [133.8758914874593]
  ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。 浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。 本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
  論文  参考訳（メタデータ） (2022-04-02T03:23:46Z)
• TEA: A Sequential Recommendation Framework via Temporally Evolving Aggregations [12.626079984394766]
  動的ユーザ・イテム不均質グラフ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。 条件付き乱数場を利用して不均一なグラフとユーザ動作を集約し,確率推定を行う。 提案したフレームワークのスケーラブルで柔軟な実装を提供しています。
  論文  参考訳（メタデータ） (2021-11-14T15:54:23Z)
• 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)
• Modeling User Behaviour in Research Paper Recommendation System [8.980876474818153]
  ディープシーケンシャルなトピック分析に基づくユーザ意図モデルを提案する。 モデルは、興味のあるトピックの観点から、ユーザの意図を予測する。 提案手法では,研究論文推薦システムの設計に適したユーザアクティビティをモデル化する新たなロードマップを提案する。
  論文  参考訳（メタデータ） (2021-07-16T11:31:03Z)
• MRIF: Multi-resolution Interest Fusion for Recommendation [0.0]
  本稿では,ユーザの利害関係を考慮に入れた多分解能利害融合モデル(MRIF)を提案する。 提案モデルでは,ユーザの興味の動的変化を異なる時間範囲で捉えることができ,マルチ解像度のユーザ関心を組み合わせて予測を行う効果的な方法を提供する。
  論文  参考訳（メタデータ） (2020-07-08T02:32:15Z)
• Sequential Recommender via Time-aware Attentive Memory Network [67.26862011527986]
  本稿では,注意機構と繰り返し単位を改善するための時間ゲーティング手法を提案する。 また,長期と短期の嗜好を統合するマルチホップ・タイムアウェア・アテンテーティブ・メモリ・ネットワークを提案する。 提案手法は,候補探索タスクに対してスケーラブルであり,ドット積に基づくTop-Kレコメンデーションのための潜在因数分解の非線形一般化とみなすことができる。
  論文  参考訳（メタデータ） (2020-05-18T11:29:38Z)

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。