論文の概要: SAFERec: Self-Attention and Frequency Enriched Model for Next Basket Recommendation

• arxiv url: http://arxiv.org/abs/2412.14302v2
• Date: Fri, 20 Dec 2024 07:56:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-23 13:01:38.330204
• Title: SAFERec: Self-Attention and Frequency Enriched Model for Next Basket Recommendation
• Title（参考訳）: SAFERec: 次のバスケリコメンデーションのための自己注意と周波数強化モデル
• Authors: Oleg Lashinin, Denis Krasilnikov, Aleksandr Milogradskii, Marina Ananyeva,
• Abstract要約: BERT4RecやSASRecのようなトランスフォーマーベースのアプローチは、Next Item Recommendation (NIR)タスクで強いパフォーマンスを示す。 これらのアーキテクチャをNext-Basket Recommendation (NBR)タスクに適用することは、バスケットに膨大な数のアイテムの組み合わせがあるため、難しい。 本稿では, アイテム周波数情報による変換器アーキテクチャをNIRから拡張する, NBRの新しいアルゴリズムであるSAFERecを紹介する。
• 参考スコア（独自算出の注目度）: 41.94295877935867
• License:
• Abstract: Transformer-based approaches such as BERT4Rec and SASRec demonstrate strong performance in Next Item Recommendation (NIR) tasks. However, applying these architectures to Next-Basket Recommendation (NBR) tasks, which often involve highly repetitive interactions, is challenging due to the vast number of possible item combinations in a basket. Moreover, frequency-based methods such as TIFU-KNN and UP-CF still demonstrate strong performance in NBR tasks, frequently outperforming deep-learning approaches. This paper introduces SAFERec, a novel algorithm for NBR that enhances transformer-based architectures from NIR by incorporating item frequency information, consequently improving their applicability to NBR tasks. Extensive experiments on multiple datasets show that SAFERec outperforms all other baselines, specifically achieving an 8\% improvement in Recall@10.
• Abstract（参考訳）: BERT4RecやSASRecのようなトランスフォーマーベースのアプローチは、Next Item Recommendation (NIR)タスクで強いパフォーマンスを示す。 しかし、これらのアーキテクチャをNext-Basket Recommendation (NBR)タスクに適用することは、しばしば反復的な相互作用を伴う。 さらに、TIFU-KNN や UP-CF のような周波数ベースの手法は NBR タスクにおいて依然として高い性能を示しており、ディープラーニングの手法よりも優れている。 本稿では、アイテム周波数情報を組み込んで、NBRタスクに適用性を向上させることで、NIRからトランスフォーマーベースのアーキテクチャを向上する新しいNBRアルゴリズムであるSAFERecを紹介する。 複数のデータセットに対する大規模な実験は、SAFERecが他のすべてのベースラインより優れており、特にRecall@10の8倍の改善が達成されていることを示している。

関連論文リスト

• A Reproducible Analysis of Sequential Recommender Systems [13.987953631479662]
  SequentialEnsurer Systems (SRS) はレコメンデーションシステムに対する高度に効率的なアプローチとして登場した。 既存の作品では、結果の複製性の欠点が示されており、論文間の矛盾した記述につながっている。 当社の作業は、データ前処理とモデル実装の標準化によって、これらのギャップを埋めます。
  論文  参考訳（メタデータ） (2024-08-07T16:23:29Z)
• 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)
• Transformer-based Model for ASR N-Best Rescoring and Rewriting [4.906869033128613]
  本研究では,N-best仮説の完全コンテキストを並列に探索することにより,書き換えと書き換えが可能なトランスフォーマーモデルを提案する。 我々のRescore+RewriteモデルはRescoreのみのベースラインよりも優れており、平均8.6%の単語誤り率(WER)がASRシステムに対して単独で減少することを示す。
  論文  参考訳（メタデータ） (2024-06-12T13:39:44Z)
• Noisy Self-Training with Synthetic Queries for Dense Retrieval [49.49928764695172]
  合成クエリと組み合わせた,ノイズの多い自己学習フレームワークを提案する。 実験結果から,本手法は既存手法よりも一貫した改善が得られた。 我々の手法はデータ効率が良く、競争のベースラインより優れています。
  論文  参考訳（メタデータ） (2023-11-27T06:19:50Z)
• Masked and Swapped Sequence Modeling for Next Novel Basket Recommendation in Grocery Shopping [59.52585406731807]
  次のバスケットレコメンデーション(NBR)は、すでに購入したバスケットのシーケンスに基づいて、次のアイテムセットを予測するタスクである。 我々は、次の新しいバスケットレコメンデーション(NNBR)タスク、すなわち、新しいアイテムのみで構成されるバスケットを推奨するタスクを定式化する。
  論文  参考訳（メタデータ） (2023-08-02T17:52:37Z)
• Improving Sequential Recommendation Models with an Enhanced Loss Function [9.573139673704766]
  逐次レコメンデーションモデルのための改良された損失関数を開発する。 2つの重要なオープンソースライブラリの実験を行う。 BERT4Recモデルの結果をBeautyデータセット上で再現する。
  論文  参考訳（メタデータ） (2023-01-03T07:18:54Z)
• 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)
• Being a Bit Frequentist Improves Bayesian Neural Networks [76.73339435080446]
  OODを訓練したBNNは、近年の頻繁なベースラインに劣らず、競争力があることを示す。 この研究はベイジアンおよび頻繁なUQにおける将来の研究の強力なベースラインを提供する。
  論文  参考訳（メタデータ） (2021-06-18T11:22:42Z)
• Modeling Personalized Item Frequency Information for Next-basket Recommendation [63.94555438898309]
  次世代レコメンデーション(NBR)は、電子商取引や小売業界で一般的である。 既存のRNNでは,レコメンデーションシナリオにおいて,アイテムの周波数情報を直接キャプチャすることはできない。 我々はこれらの臨界信号を直接利用する簡単なアイテム周波数に基づくk-nearest neighbors (kNN)法を提案する。
  論文  参考訳（メタデータ） (2020-05-31T16:42:39Z)

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。