論文の概要: Intent-Interest Disentanglement and Item-Aware Intent Contrastive Learning for Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2501.07096v1
• Date: Mon, 13 Jan 2025 07:09:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:20:19.939620
• Title: Intent-Interest Disentanglement and Item-Aware Intent Contrastive Learning for Sequential Recommendation
• Title（参考訳）: 逐次レコメンデーションのためのインテント・インテリジェンス・ディスタングルとアイテム・アウェア・インテリジェンス・コントラスト・ラーニング
• Authors: Yijin Choi, Chiehyeon Lim,
• Abstract要約: 本研究では,ユーザの行動の包括的理解のために,ユーザの行動を,ユーザの安定した嗜好である意図に分解する方法を示す。 また,同じインタラクションで発生した意図を一致させ,対応する意図によって発生した項目の組み合わせと意図を一致させる,項目認識のコントラスト学習も導入する。
• 参考スコア（独自算出の注目度）: 2.8895603929817217
• License:
• Abstract: Recommender systems aim to provide personalized item recommendations by capturing user behaviors derived from their interaction history. Considering that user interactions naturally occur sequentially based on users' intents in mind, user behaviors can be interpreted as user intents. Therefore, intent-based sequential recommendations are actively studied recently to model user intents from historical interactions for a more precise user understanding beyond traditional studies that often overlook the underlying semantics behind user interactions. However, existing studies face three challenges: 1) the limited understanding of user behaviors by focusing solely on intents, 2) the lack of robustness in categorizing intents due to arbitrary fixed numbers of intent categories, and 3) the neglect of interacted items in modeling of user intents. To address these challenges, we propose Intent-Interest Disentanglement and Item-Aware Intent Contrastive Learning for Sequential Recommendation (IDCLRec). IDCLRec disentangles user behaviors into intents which are dynamic motivations and interests which are stable tastes of users for a comprehensive understanding of user behaviors. A causal cross-attention mechanism is used to identify consistent interests across interactions, while residual behaviors are modeled as intents by modeling their temporal dynamics through a similarity adjustment loss. In addition, without predefining the number of intent categories, an importance-weighted attention mechanism captures user-specific categorical intent considering the importance of intent for each interaction. Furthermore, we introduce item-aware contrastive learning which aligns intents that occurred the same interaction and aligns intent with item combinations occurred by the corresponding intent. Extensive experiments conducted on real-world datasets demonstrate the effectiveness of IDCLRec.
• Abstract（参考訳）: レコメンダシステムは,インタラクション履歴から得られるユーザの振る舞いをキャプチャして,パーソナライズされたアイテムレコメンデーションを提供することを目的としている。 ユーザインタラクションは,ユーザの意図を念頭に置いて順次発生するので,ユーザ動作をユーザ意図と解釈することができる。 したがって、近年、ユーザインタラクションの背後にあるセマンティクスをしばしば見落としている伝統的な研究を超えて、より正確なユーザ理解のために、歴史的なインタラクションからユーザインテントをモデル化するために、インテントベースのシーケンシャルレコメンデーションが活発に研究されている。 しかし、既存の研究は3つの課題に直面している。 1)意図のみに着目したユーザ行動の限定的理解 2 意図の任意の定数による意図の分類における堅牢性の欠如、及び 3)ユーザ意図のモデリングにおけるインタラクション項目の無視。 これらの課題に対処するため、IDCLRec(Intent-Interest Disentanglement and Item-Aware Intstive Contrastive Learning for Sequential Recommendation)を提案する。 IDCLRecは、ユーザの振る舞いを動的モチベーションである意図と、ユーザの振る舞いを包括的に理解するために、ユーザの安定した趣味である関心に分解する。 因果的相互注意機構は相互作用間の一貫した関心を識別するために使用され、残りの行動は類似性調整損失を通じて時間的ダイナミクスをモデル化することによって意図としてモデル化される。 さらに、意図カテゴリーの数を事前に定義することなく、重要度重み付けされた注意機構は、各インタラクションにおける意図の重要性を考慮して、ユーザ固有のカテゴリー意図をキャプチャする。 さらに,同じインタラクションで発生した意図を一致させ,対応する意図によって発生した項目の組み合わせと意図を一致させる項目認識コントラスト学習を導入する。 実世界のデータセットで実施された大規模な実験は、IDCLRecの有効性を実証している。

関連論文リスト

• Modeling User Intent Beyond Trigger: Incorporating Uncertainty for Trigger-Induced Recommendation [11.699080619946045]
  我々は、Deep Uncertainty Intent Network (DUIN)と呼ばれる新しいモデルを提案する。 DUINは、Explicit Intent Exploit Module、Latent Intent Explore Module、Intent Uncertainty Measurement Moduleの3つの必須モジュールで構成されている。 DUINは、当社のEコマースプラットフォームにおける、Trigerによる推奨シナリオのすべてにデプロイされています。
  論文  参考訳（メタデータ） (2024-08-06T10:45:14Z)
• Exploring the Individuality and Collectivity of Intents behind Interactions for Graph Collaborative Filtering [9.740376003100437]
  本稿では,BIGCF (Bilateral Intent-Guided Graph Collaborative Filtering) に指定された新しい推薦フレームワークを提案する。 具体的には、因果的視点からユーザとイテムの相互作用を詳しく調べ、個別の意図の概念を提示する。 暗黙的なフィードバックの空間性に対抗するため、ユーザとアイテムの特徴分布はガウスベースのグラフ生成戦略を介して符号化される。
  論文  参考訳（メタデータ） (2024-05-15T02:31:26Z)
• Contrastive Learning Method for Sequential Recommendation based on Multi-Intention Disentanglement [5.734747179463411]
  MIDCL(Multi-Intention Disentanglement)に基づくコントラスト学習シーケンシャルレコメンデーション手法を提案する。 私たちの仕事では、意図は動的で多様なものとして認識され、ユーザの振る舞いは、しばしば現在のマルチインテンションによって駆動されます。 本稿では,最も関連性の高いユーザの対話的意図の探索と,正のサンプル対の相互情報の最大化のための2種類のコントラスト学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2024-04-28T15:13:36Z)
• 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)
• Learning Self-Modulating Attention in Continuous Time Space with Applications to Sequential Recommendation [102.24108167002252]
  本稿では,複雑で非線形に進化する動的ユーザの嗜好をモデル化する,自己変調型注意ネットワークを提案する。 提案手法がトップNシーケンシャルなレコメンデーションタスクに与える影響を実証的に示すとともに,3つの大規模実世界のデータセットによる結果から,我々のモデルが最先端のパフォーマンスを達成できることを示す。
  論文  参考訳（メタデータ） (2022-03-30T03:54:11Z)
• Intent Contrastive Learning for Sequential Recommendation [86.54439927038968]
  ユーザの意図を表現するために潜伏変数を導入し,クラスタリングにより潜伏変数の分布関数を学習する。 我々は,学習意図を対照的なSSLによってSRモデルに活用し,シーケンスのビューとそれに対応するインテントとの一致を最大化することを提案する。 4つの実世界のデータセットで実施された実験は、提案した学習パラダイムの優位性を示している。
  論文  参考訳（メタデータ） (2022-02-05T09:24:13Z)
• Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
  本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-08T09:44:00Z)
• Generalized Zero-shot Intent Detection via Commonsense Knowledge [5.398580049917152]
  学習データ不足の問題を克服するために,教師なしの方法でコモンセンス知識を活用する意図検出モデル RIDE を提案する。 RIDEは、発話と意図ラベルの間の深い意味的関係をキャプチャする、堅牢で一般化可能な関係メタ機能を計算する。 広範に使用されている3つのインテント検出ベンチマークに関する広範囲な実験的分析により、関係メタ機能により、目に見えないインテントと見えないインテントの両方を検出する精度が著しく向上することが示された。
  論文  参考訳（メタデータ） (2021-02-04T23:36:41Z)
• Multi-Interactive Attention Network for Fine-grained Feature Learning in CTR Prediction [48.267995749975476]
  クリックスルー率(ctr)予測シナリオでは、ユーザのシーケンシャルな動作を利用してユーザの関心を捉える。 既存の手法は主にユーザの行動に注意を払っているが、CTR予測には必ずしも適していない。 マルチインタラクティブ・アテンション・ネットワーク (MIAN) を提案し, 各種微細な特徴間の潜在関係を総合的に抽出する。
  論文  参考訳（メタデータ） (2020-12-13T05:46:19Z)
• Disentangled Graph Collaborative Filtering [100.26835145396782]
  Disentangled Graph Collaborative Filtering (DGCF)は、インタラクションデータからユーザとアイテムの情報表現を学ぶための新しいモデルである。 ユーザ・イテムのインタラクション毎に意図を超越した分布をモデル化することにより、インテント・アウェアなインタラクショングラフと表現を反復的に洗練する。 DGCFはNGCF、DisenGCN、MacridVAEといった最先端モデルよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2020-07-03T15:37:25Z)

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。