論文の概要: Item Association Factorization Mixed Markov Chains for Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2501.01429v1
• Date: Mon, 18 Nov 2024 06:42:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-02 09:47:55.978084
• Title: Item Association Factorization Mixed Markov Chains for Sequential Recommendation
• Title（参考訳）: シークエンシャルレコメンデーションのためのマルコフ連鎖を混合したアイテムアソシエーション因子化
• Authors: DongYu Du, Yue Chan,
• Abstract要約: 本研究は、アイテムアソシエーション因子化混合マルコフ連鎖として知られる逐次レコメンデーションアルゴリズムを紹介する。 新たに導入されたアルゴリズムは,パラメータ数を大幅に増加させることなく,推薦ランキング結果を大幅に向上させる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Sequential recommendation refers to recommending the next item of interest for a specific user based on his/her historical behavior sequence up to a certain time. While previous research has extensively examined Markov chain-based sequential recommendation models, the majority of these studies has focused on the user's historical behavior sequence but has paid little attention to the overall correlation between items. This study introduces a sequential recommendation algorithm known as Item Association Factorization Mixed Markov Chains, which incorporates association information between items using an item association graph, integrating it with user behavior sequence information. Our experimental findings from the four public datasets demonstrate that the newly introduced algorithm significantly enhances the recommendation ranking results without substantially increasing the parameter count. Additionally, research on tuning the prior balancing parameters underscores the significance of incorporating item association information across different datasets.
• Abstract（参考訳）: 逐次推薦とは、ある時点までの履歴行動順序に基づいて、特定のユーザに対して次の項目を推薦することを指す。 前回の研究では、マルコフ連鎖に基づくシーケンシャルレコメンデーションモデルについて広く研究されてきたが、これらの研究の大部分は、ユーザの過去の行動シーケンスに焦点を当ててきたが、項目間の全体的な相関にはほとんど関心を示さなかった。 本研究では,項目関連グラフを用いて項目間の関連情報を統合し,ユーザ行動シーケンス情報と統合する,項目関連因子化混合マルコフ連鎖と呼ばれる逐次推薦アルゴリズムを提案する。 4つの公開データセットから得られた実験結果から,新たに導入されたアルゴリズムは,パラメータ数を大幅に増加させることなく,推薦ランキング結果を大幅に向上させることが示された。 さらに、事前のバランスパラメータのチューニングに関する研究は、さまざまなデータセットにアイテム関連情報を組み込むことの重要性を強調している。

関連論文リスト

• Knowledge-Enhanced Conversational Recommendation via Transformer-based Sequential Modelling [58.681146735761224]
  まず,トランスフォーマーをベースとした逐次的対話推薦手法TSCRを提案し,会話の逐次的依存関係をモデル化する。 次に,TSCRの知識グラフ拡張版であるTSCRKGを提案する。 実験の結果,TSCRモデルは最先端のベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2024-12-03T12:20:56Z)
• Does It Look Sequential? An Analysis of Datasets for Evaluation of Sequential Recommendations [0.8437187555622164]
  逐次リコメンデータシステムは、ユーザの履歴におけるインタラクションの順序を利用して、将来のインタラクションを予測することを目的としている。 シーケンシャルな構造を示すデータセットを使用して、シーケンシャルなレコメンデータを適切に評価することが重要です。 本研究では,ユーザの対話列のランダムシャッフルに基づくいくつかの手法を適用し,15個のデータセットの連続構造の強度を評価する。
  論文  参考訳（メタデータ） (2024-08-21T21:40:07Z)
• Multi-Level Sequence Denoising with Cross-Signal Contrastive Learning for Sequential Recommendation [13.355017204983973]
  シーケンシャル・レコメンダ・システム(SRS)は,ユーザの過去のインタラクション・シーケンスに基づいて,次の項目を提案することを目的としている。 本稿では,MSDCCL(Multi-level Sequence Denoising with Cross-signal Contrastive Learning)という新しいモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-22T04:57:33Z)
• Invariant representation learning for sequential recommendation [0.0]
  シークエンシャルレコメンデーションでは、履歴項目のシーケンスに基づいて、次の項目をユーザに自動的に推奨する。 Irl4Recという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紹介します。 このフレームワークは、不変学習を活用し、モデルトレーニング中に、スプリアス変数と調整変数の関係を要因とする新しい目的を用いる。
  論文  参考訳（メタデータ） (2023-08-22T18:39:39Z)
• Exogenous Data in Forecasting: FARM -- A New Measure for Relevance Evaluation [62.997667081978825]
  FARM - Forward Relevance Aligned Metricという新しいアプローチを導入する。 我々のフォワード法は、その後のデータポイントの変化を時系列に合わせるために比較する角測度に依存する。 第1の検証ステップとして、FARMアプローチの合成信号・代表信号への適用について述べる。
  論文  参考訳（メタデータ） (2023-04-21T15:22:33Z)
• GUESR: A Global Unsupervised Data-Enhancement with Bucket-Cluster Sampling for Sequential Recommendation [58.6450834556133]
  本研究では,グローバルな視点から複雑な関連性を持つ項目表現を強化するために,グラフコントラスト学習を提案する。 本稿では,CapsNetモジュールを拡張したターゲットアテンション機構により,ユーザの動的嗜好を導出する。 提案したGUESRは,大幅な改善を達成できただけでなく,汎用的な拡張戦略ともみなすことができた。
  論文  参考訳（メタデータ） (2023-03-01T05:46:36Z)
• Enhancing Sequential Recommendation with Graph Contrastive Learning [64.05023449355036]
  本稿では、逐次推薦のためのグラフコントラスト学習(GCL4SR)という、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。 GCL4SRは、すべてのユーザのインタラクションシーケンスに基づいて構築された重み付きアイテム遷移グラフ(WITG)を使用して、各インタラクションのグローバルなコンテキスト情報を提供し、シーケンスデータのノイズ情報を弱める。 実世界のデータセットの実験では、GCL4SRは最先端のシーケンシャルレコメンデーションメソッドよりも一貫して優れていることが示されている。
  論文  参考訳（メタデータ） (2022-05-30T03:53:31Z)
• 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)
• S^3-Rec: Self-Supervised Learning for Sequential Recommendation with Mutual Information Maximization [104.87483578308526]
  本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。 そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。 6つの実世界のデータセットで実施された大規模な実験は、既存の最先端手法よりも提案手法が優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-18T11:44:10Z)
• Sequential recommendation with metric models based on frequent sequences [0.688204255655161]
  提案手法では,ユーザ履歴の最も関連性の高い部分を特定するために,頻繁なシーケンスを用いることを提案する。 最も健全なアイテムは、ユーザの好みとシーケンシャルなダイナミクスに基づいてアイテムを埋め込む統合されたメトリックモデルで使用される。
  論文  参考訳（メタデータ） (2020-08-12T22:08:04Z)

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。