論文の概要: SS4Rec: Continuous-Time Sequential Recommendation with State Space Models
- arxiv url: http://arxiv.org/abs/2502.08132v1
- Date: Wed, 12 Feb 2025 05:28:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-13 13:48:59.835955
- Title: SS4Rec: Continuous-Time Sequential Recommendation with State Space Models
- Title（参考訳）: SS4Rec: 状態空間モデルによる連続時間シーケンスレコメンデーション
- Authors: Wei Xiao, Huiying Wang, Qifeng Zhou, Qing Wang,
- Abstract要約: 本稿では,連続的なレコメンデーションのためにSS4Recと呼ばれるハイブリッドSSMモデルを提案する。
SS4Recは、不規則な時間間隔を扱うための時間認識SSMと、コンテキスト依存をモデル化するための関係認識SSMを統合している。
これにより、不規則な時間間隔から継続的依存関係をキャプチャし、時間固有のパーソナライズされたレコメンデーションを提供する。
- 参考スコア（独自算出の注目度）: 4.7364636877244095
- License:
- Abstract: Sequential recommendation is a key area in the field of recommendation systems aiming to model user interest based on historical interaction sequences with irregular intervals. While previous recurrent neural network-based and attention-based approaches have achieved significant results, they have limitations in capturing system continuity due to the discrete characteristics. In the context of continuous-time modeling, state space model (SSM) offers a potential solution, as it can effectively capture the dynamic evolution of user interest over time. However, existing SSM-based approaches ignore the impact of irregular time intervals within historical user interactions, making it difficult to model complexed user-item transitions in sequences. To address this issue, we propose a hybrid SSM-based model called SS4Rec for continuous-time sequential recommendation. SS4Rec integrates a time-aware SSM to handle irregular time intervals and a relation-aware SSM to model contextual dependencies, enabling it to infer user interest from both temporal and sequential perspectives. In the training process, the time-aware SSM and the relation-aware SSM are discretized by variable stepsizes according to user interaction time intervals and input data, respectively. This helps capture the continuous dependency from irregular time intervals and provides time-specific personalized recommendations. Experimental studies on five benchmark datasets demonstrate the superiority and effectiveness of SS4Rec.
- Abstract（参考訳）: シーケンシャルレコメンデーション(Sequential Recommation)は、不規則な間隔を持つ歴史的なインタラクションシーケンスに基づいて、ユーザの関心をモデル化することを目的としたレコメンデーションシステムの分野における重要な領域である。
従来のリカレントニューラルネットワークとアテンションベースのアプローチは大きな成果を上げているが、個々の特性のためにシステムの連続性を捉えるには限界がある。
連続時間モデリングの文脈では、状態空間モデル(SSM)は、時間とともにユーザの関心の動的進化を効果的に捉えることができるため、潜在的な解決策を提供する。
しかし、既存のSSMベースのアプローチは、歴史的ユーザインタラクションにおける不規則な時間間隔の影響を無視しており、複雑なユーザ-イテム遷移をシーケンスでモデル化することは困難である。
この問題に対処するため,SS4Recと呼ばれるハイブリッドSSMモデルを提案する。
SS4Recは、不規則な時間間隔を扱うためにタイムアウェアなSSMと、コンテキスト依存をモデル化するためにリレーショナルアウェアなSSMを統合し、時間的およびシーケンシャルな視点からユーザの関心を推測することを可能にする。
トレーニング工程では、ユーザインタラクション時間間隔と入力データに応じて、時間認識SSMと関係認識SSMとを可変ステップ化して判別する。
これにより、不規則な時間間隔から継続的依存関係をキャプチャし、時間固有のパーソナライズされたレコメンデーションを提供する。
5つのベンチマークデータセットに関する実験的研究は、SS4Recの優位性と有効性を示している。
関連論文リスト
- Deep Learning-based Approaches for State Space Models: A Selective Review [15.295157876811066]
状態空間モデル(SSM)は動的システム解析のための強力なフレームワークを提供する。
本稿では、SSMに対するディープニューラルネットワークに基づくアプローチの最近の進歩を選択的にレビューする。
論文 参考訳（メタデータ） (2024-12-15T15:04:35Z) - DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。
動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。
我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2024-08-13T15:21:46Z) - EchoMamba4Rec: Harmonizing Bidirectional State Space Models with Spectral Filtering for Advanced Sequential Recommendation [0.0]
制御理論は、長期依存の管理に状態空間モデル(SSM)を使うことを強調している。
本研究では,EchoMamba4Recを紹介した。
EchoMambaは既存のモデルよりも優れており、より正確でパーソナライズされたレコメンデーションを提供する。
論文 参考訳（メタデータ） (2024-06-04T09:07:58Z) - Time-SSM: Simplifying and Unifying State Space Models for Time Series Forecasting [22.84798547604491]
状態空間モデル(SSM)は、基底関数の集合を用いて連続系を近似し、それらを離散化して入力データを処理する。
本稿では,SSMを時系列データに適用するためのより直感的で汎用的なガイダンスを提供する,動的スペクトル演算子(Dynamic Spectral Operator)と呼ばれる新しい理論フレームワークを提案する。
パラメータの7分の1しか持たない新しいSSM基盤モデルであるTime-SSMを紹介する。
論文 参考訳（メタデータ） (2024-05-25T17:42:40Z) - TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。
本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
論文 参考訳（メタデータ） (2024-02-04T13:10:51Z) - Efficient Exploration in Continuous-time Model-based Reinforcement
Learning [37.14026153342745]
強化学習アルゴリズムは典型的には離散時間力学を考察するが、基礎となるシステムは時間的に連続していることが多い。
連続時間力学を表すモデルに基づく強化学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-30T15:04:40Z) - Gated Recurrent Neural Networks with Weighted Time-Delay Feedback [59.125047512495456]
重み付き時間遅延フィードバック機構を備えた新しいゲートリカレントユニット(GRU)を導入する。
我々は、$tau$-GRUが、最先端のリカレントユニットやゲート型リカレントアーキテクチャよりも早く収束し、より一般化できることを示します。
論文 参考訳（メタデータ） (2022-12-01T02:26:34Z) - Spatiotemporal k-means [39.98633724527769]
マルチスケールクラスタを解析できるk-means (STk) と呼ばれる2つの時間クラスタリング手法を提案する。
我々は、STkMがより複雑な機械学習タスク、特にビデオにおける関心の検出と追跡の教師なし領域にどのように拡張できるかを示す。
論文 参考訳（メタデータ） (2022-11-10T04:40:31Z) - Learning Sequence Representations by Non-local Recurrent Neural Memory [61.65105481899744]
教師付きシーケンス表現学習のためのNon-local Recurrent Neural Memory (NRNM)を提案する。
我々のモデルは長距離依存を捉えることができ、潜伏した高レベル特徴を我々のモデルで抽出することができる。
我々のモデルは、これらのシーケンスアプリケーションごとに特別に設計された他の最先端の手法と比較して好意的に比較する。
論文 参考訳（メタデータ） (2022-07-20T07:26:15Z) - Deep Explicit Duration Switching Models for Time Series [84.33678003781908]
状態依存型と時間依存型の両方のスイッチングダイナミクスを識別できるフレキシブルモデルを提案する。
状態依存スイッチングは、リカレントな状態-スイッチ接続によって実現される。
時間依存スイッチング動作を改善するために、明示的な期間カウント変数が使用される。
論文 参考訳（メタデータ） (2021-10-26T17:35:21Z) - 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)
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。