論文の概要: Long-Term Interest Clock: Fine-Grained Time Perception in Streaming Recommendation System
- arxiv url: http://arxiv.org/abs/2501.15817v1
- Date: Mon, 27 Jan 2025 06:52:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-28 13:57:42.941406
- Title: Long-Term Interest Clock: Fine-Grained Time Perception in Streaming Recommendation System
- Title(参考訳): 長期的関心クロック:ストリーミングレコメンデーションシステムにおける微粒化時間知覚
- Authors: Yongchun Zhu, Guanyu Jiang, Jingwu Chen, Feng Zhang, Xiao Yang, Zuotao Liu,
- Abstract要約: 長期的関心クロック(LIC)は、ユーザの動的微細な興味を長期的行動から捉える。
licはDouyin Music Appのレコメンデーションシステムに統合されている。
- 参考スコア(独自算出の注目度): 12.48124100628083
- License:
- Abstract: User interests manifest a dynamic pattern within the course of a day, e.g., a user usually favors soft music at 8 a.m. but may turn to ambient music at 10 p.m. To model dynamic interests in a day, hour embedding is widely used in traditional daily-trained industrial recommendation systems. However, its discreteness can cause periodical online patterns and instability in recent streaming recommendation systems. Recently, Interest Clock has achieved remarkable performance in streaming recommendation systems. Nevertheless, it models users' dynamic interests in a coarse-grained manner, merely encoding users' discrete interests of 24 hours from short-term behaviors. In this paper, we propose a fine-grained method for perceiving time information for streaming recommendation systems, named Long-term Interest Clock (LIC). The key idea of LIC is adaptively calculating current user interests by taking into consideration the relevance of long-term behaviors around current time (e.g., 8 a.m.) given a candidate item. LIC consists of two modules: (1) Clock-GSU retrieves a sub-sequence by searching through long-term behaviors, using query information from a candidate item and current time, (2) Clock-ESU employs a time-gap-aware attention mechanism to aggregate sub-sequence with the candidate item. With Clock-GSU and Clock-ESU, LIC is capable of capturing users' dynamic fine-grained interests from long-term behaviors. We conduct online A/B tests, obtaining +0.122% improvements on user active days. Besides, the extended offline experiments show improvements as well. Long-term Interest Clock has been integrated into Douyin Music App's recommendation system.
- Abstract(参考訳): 例えば、ユーザーは午前8時にソフトミュージックを好むが、午後10時にアンビエント音楽に切り替えることがある。
ダイナミックな関心を1日でモデル化するために、時間埋め込みは日常的に訓練された産業レコメンデーションシステムで広く使われている。
しかし、その離散性は、最近のストリーミングレコメンデーションシステムにおいて、定期的なオンラインパターンと不安定を引き起こす可能性がある。
近年、ストリーミングレコメンデーションシステムにおいて、Interest Clockは目覚ましいパフォーマンスを達成している。
にもかかわらず、これはユーザーの動的興味を粗い粒度の方法でモデル化し、短期行動から24時間の個別の関心を符号化するだけである。
本稿では,Long-term Interest Clock (lic) という,ストリーミングレコメンデーションシステムにおける時間情報を認識するための微細な手法を提案する。
licの鍵となる考え方は、候補項目が与えられた現在時間(例えば、午前8時)の長期的な行動の関連性を考慮して、現在のユーザの関心度を適応的に算出することである。
1) Clock-GSUは,候補項目からの問い合わせ情報と現在時刻を用いて,長期的動作を探索してサブシーケンスを検索し,(2) Clock-ESUは,そのサブシーケンスを候補項目と集約するために,タイムギャップ対応のアテンション機構を用いる。
Clock-GSUとClock-ESUでは、長期的行動からユーザの動的微細な関心を捉えることができる。
オンラインA/Bテストを実施し、ユーザアクティブな日々で+0.122%改善しました。
さらに、オフライン実験の拡張も改善されている。
長期的関心時計はDouyin Music Appのレコメンデーションシステムに統合されている。
関連論文リスト
- Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。
近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。
マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
論文 参考訳(メタデータ) (2024-11-22T15:29:05Z) - Interest Clock: Time Perception in Real-Time Streaming Recommendation System [14.993810545170343]
時間モデリングは、リコメンデーションシステムが時間変化を知覚し、時間の経過とともにユーザの動的嗜好をキャプチャすることを目的としている。
ストリーミングレコメンデーションシステムには効果的な時間モデリング方法がない。
本稿では,レコメンデーションシステムにおける時間情報を知覚するための,効果的で普遍的な手法であるInterest Clockを提案する。
論文 参考訳(メタデータ) (2024-04-30T08:38:09Z) - Multi-Behavior Sequential Recommendation with Temporal Graph Transformer [66.10169268762014]
マルチビヘイビア・インタラクティブなパターンを意識した動的ユーザ・イテム関係学習に取り組む。
本稿では,動的短期および長期のユーザ・イテム対話パターンを共同でキャプチャする,TGT(Temporal Graph Transformer)レコメンデーションフレームワークを提案する。
論文 参考訳(メタデータ) (2022-06-06T15:42:54Z) - Sampling Is All You Need on Modeling Long-Term User Behaviors for CTR
Prediction [15.97120392599086]
textbfM(textbfSampling-based textbfDeep textbfModeling)を提案する。
提案手法は, 長期ユーザ行動のモデル化において, 標準的な注意モデルと同等に機能することが理論的, 実験的に示されている。
論文 参考訳(メタデータ) (2022-05-20T15:20:52Z) - 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) - Dynamic Sequential Graph Learning for Click-Through Rate Prediction [29.756257920214168]
本稿では,ユーザやアイテムに関連付けられたローカルサブグラフからの協調情報を活用することで,ユーザの表現を向上する新しい手法を提案する。
実世界のCTR予測ベンチマークの結果は、DSGLによってもたらされた改善を実証している。
論文 参考訳(メタデータ) (2021-09-26T09:23:43Z) - 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) - Learning Heterogeneous Temporal Patterns of User Preference for Timely
Recommendation [15.930016839929047]
我々はTimelyRecと呼ばれるタイムリーなレコメンデーションのための新しいレコメンデーションシステムを提案する。
TimelyRecでは、2つのエンコーダのカスケードが、各エンコーダに対して提案されたアテンションモジュールを使用して、ユーザの好みの時間パターンをキャプチャする。
実世界のデータセットにおける項目推薦シナリオと項目決定推薦シナリオの実験により,timelyrecの優位性が示された。
論文 参考訳(メタデータ) (2021-04-29T08:37:30Z) - Dynamic Memory based Attention Network for Sequential Recommendation [79.5901228623551]
DMAN(Dynamic Memory-based Attention Network)と呼ばれる新しい連続的推薦モデルを提案する。
長い動作シーケンス全体を一連のサブシーケンスに分割し、モデルをトレーニングし、ユーザの長期的な利益を維持するためにメモリブロックのセットを維持する。
動的メモリに基づいて、ユーザの短期的および長期的関心を明示的に抽出し、組み合わせて効率的な共同推薦を行うことができる。
論文 参考訳(メタデータ) (2021-02-18T11:08:54Z) - 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。