論文の概要: SessionRec: Next Session Prediction Paradigm For Generative Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2502.10157v1
• Date: Fri, 14 Feb 2025 13:36:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-17 14:46:52.773683
• Title: SessionRec: Next Session Prediction Paradigm For Generative Sequential Recommendation
• Title（参考訳）: SessionRec: 生成シークエンシャルレコメンデーションのための次のセッション予測パラダイム
• Authors: Lei Huang, Hao Guo, Linzhi Peng, Long Zhang, Xiaoteng Wang, Daoyuan Wang, Shichao Wang, Jinpeng Wang, Lei Wang, Sheng Chen,
• Abstract要約: 生成的逐次レコメンデーションのための新しい次世代予測パラダイムであるSessionRecを紹介する。 実際のセッションベースのユーザインタラクションに矛盾するNIPPの項目レベルの自己回帰生成とは異なり、我々のフレームワークはセッション認識表現学習を導入している。 その結果、次のセッション予測パラダイムの下で、セッション内の項目のランクロスを組み込むことで、生成シーケンス推薦モデルのランキングの有効性を著しく向上できることがわかった。
• 参考スコア（独自算出の注目度）: 20.51953517144625
• License:
• Abstract: We introduce SessionRec, a novel next-session prediction paradigm (NSPP) for generative sequential recommendation, addressing the fundamental misalignment between conventional next-item prediction paradigm (NIPP) and real-world recommendation scenarios. Unlike NIPP's item-level autoregressive generation that contradicts actual session-based user interactions, our framework introduces a session-aware representation learning through hierarchical sequence aggregation (intra/inter-session), reducing attention computation complexity while enabling implicit modeling of massive negative interactions, and a session-based prediction objective that better captures users' diverse interests through multi-item recommendation in next sessions. Moreover, we found that incorporating a rank loss for items within the session under the next session prediction paradigm can significantly improve the ranking effectiveness of generative sequence recommendation models. We also verified that SessionRec exhibits clear power-law scaling laws similar to those observed in LLMs. Extensive experiments conducted on public datasets and online A/B test in Meituan App demonstrate the effectiveness of SessionRec. The proposed paradigm establishes new foundations for developing industrial-scale generative recommendation systems through its model-agnostic architecture and computational efficiency.
• Abstract（参考訳）: 本稿では, 新たな次世代予測パラダイムであるSessionRecを紹介し, 従来の次世代予測パラダイム(NIPP)と実世界の推奨シナリオの根本的な相違に対処する。 実際のセッションベースのユーザインタラクションと矛盾するNIPPの項目レベルの自己回帰生成とは異なり、我々のフレームワークは階層的なシーケンスアグリゲーション(イントラ/インターセッション)によるセッション認識表現学習を導入し、巨大なネガティブなインタラクションの暗黙的なモデリングを可能にしつつ、注意計算の複雑さを低減し、次のセッションで複数項目のレコメンデーションによってユーザのさまざまな関心をよりよく捉えるセッションベースの予測目標を導入している。 さらに、次のセッション予測パラダイムの下で、セッション内の項目のランク損失を組み込むことで、生成シーケンス推薦モデルのランク付け効率を大幅に向上できることがわかった。 また,SessionRec は LLM に類似した明確な電力法則を示すことも確認した。 Meituan Appの公開データセットとオンラインA/Bテストで実施された大規模な実験は、SessionRecの有効性を実証している。 提案パラダイムは, モデルに依存しないアーキテクチャと計算効率により, 産業規模の生成レコメンデーションシステムを構築するための新たな基盤を確立する。

関連論文リスト

• GRAINRec: Graph and Attention Integrated Approach for Real-Time Session-Based Item Recommendations [1.1497969960800027]
  本稿では,リアルタイムにレコメンデーションを生成するグラフおよびアテンション統合セッションベースレコメンデーションモデルであるGRAINRecを提案する。 提案モデルでは,セッションにおけるすべての項目の重要性を考慮し,レコメンデーションを生成する。 また、TargetプラットフォームのSLA(Service Level Agreement)を満たすリアルタイム推論を実装するアプローチを提案する。
  論文  参考訳（メタデータ） (2024-11-14T03:07:57Z)
• Hierarchical Reinforcement Learning for Temporal Abstraction of Listwise Recommendation [51.06031200728449]
  我々はmccHRLと呼ばれる新しいフレームワークを提案し、リストワイドレコメンデーションにおける時間的抽象化のレベルを異なるものにする。 階層的な枠組みの中では、ハイレベルエージェントがユーザ知覚の進化を研究し、低レベルエージェントがアイテム選択ポリシーを作成している。 その結果,本手法による性能改善は,いくつかのよく知られたベースラインと比較して有意な結果が得られた。
  論文  参考訳（メタデータ） (2024-09-11T17:01:06Z)
• Denoising Pre-Training and Customized Prompt Learning for Efficient Multi-Behavior Sequential Recommendation [69.60321475454843]
  マルチビヘイビアシークエンシャルレコメンデーションに適した,最初の事前学習および迅速な学習パラダイムであるDPCPLを提案する。 事前学習段階において,複数の時間スケールでノイズを除去する新しい行動マイナ (EBM) を提案する。 次に,提案するCustomized Prompt Learning (CPL)モジュールを用いて,事前学習したモデルを高効率にチューニングすることを提案する。
  論文  参考訳（メタデータ） (2024-08-21T06:48:38Z)
• A GNN Model with Adaptive Weights for Session-Based Recommendation Systems [0.0]
  セッションベースレコメンデーション(SBR)で使用できる新しいアプローチを提案する。 本稿では,グラフニューラルネットワーク(GNN)ベクトルに適用した適応重み付け機構を提案する。 アイテムは、重み付けメカニズムの結果、各セッション内で様々な重要性の度合いが割り当てられます。
  論文  参考訳（メタデータ） (2024-08-09T13:13:43Z)
• DRDT: Dynamic Reflection with Divergent Thinking for LLM-based Sequential Recommendation [53.62727171363384]
  進化的思考を伴う動的反射(Dynamic Reflection with Divergent Thinking)という新しい推論原理を導入する。 我々の方法論はダイナミックリフレクション(動的リフレクション)であり、探索、批評、反射を通じて人間の学習をエミュレートするプロセスである。 6つの事前学習 LLM を用いた3つのデータセットに対するアプローチの評価を行った。
  論文  参考訳（メタデータ） (2023-12-18T16:41:22Z)
• Generative Slate Recommendation with Reinforcement Learning [49.75985313698214]
  強化学習アルゴリズムは、レコメンデータシステムのユーザエンゲージメントを最適化するために使用することができる。 しかし、RLアプローチはスレートレコメンデーションシナリオでは難解である。 この設定では、アクションはアイテムの組み合わせを含むことができるスレートに対応する。 本研究では,変分オートエンコーダによって学習された連続低次元ラテント空間におけるスレートの符号化を提案する。 我々は、(i)以前の作業で要求される仮定を緩和し、(ii)完全なスレートをモデル化することで、アクション選択の品質を向上させることができる。
  論文  参考訳（メタデータ） (2023-01-20T15:28:09Z)
• Towards Out-of-Distribution Sequential Event Prediction: A Causal Treatment [72.50906475214457]
  シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。 実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。 文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-24T07:54:13Z)
• SR-GCL: Session-Based Recommendation with Global Context Enhanced Augmentation in Contrastive Learning [5.346468677221906]
  セッションベースのレコメンデーションは、進行中のセッションに基づいて、ユーザの次の振る舞いを予測することを目的としている。 最近の研究は、複雑なアイテム遷移をキャプチャするための注意機構を備えたグラフニューラルネットワークを適用している。 セッションベースレコメンデーションのための新しいコントラスト学習フレームワークSR-GCLを提案する。
  論文  参考訳（メタデータ） (2022-09-22T06:18:20Z)
• Exploiting Session Information in BERT-based Session-aware Sequential Recommendation [13.15762859612114]
  推薦システムでは,ユーザインタラクション履歴をシーケンシャルな情報として活用することで,大幅な性能向上を実現している。 多くのオンラインサービスでは、ユーザインタラクションは、通常、通常のシーケンス表現技術とは異なるアプローチを必要とする、おそらく好みを共有するセッションによってグループ化される。 本稿では,BERTに基づく逐次レコメンデーションモデルにおいて,追加パラメータを最小化しながらセッション情報を活用することで,レコメンデーション性能を向上させる3つの手法を提案する。
  論文  参考訳（メタデータ） (2022-04-22T17:58:10Z)
• 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)
• Session-aware Linear Item-Item Models for Session-based Recommendation [16.081904457871815]
  セッションベースのレコメンデーションは、セッションで消費された以前の項目のシーケンスから次の項目を予測することを目的とする。 セッションの全体的側面を考慮した簡便かつ効果的な線形モデルを提案する。
  論文  参考訳（メタデータ） (2021-03-30T06:28:40Z)

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。