論文の概要: Introducing Context Information in Lifelong Sequential Modeling using Temporal Convolutional Networks
- arxiv url: http://arxiv.org/abs/2502.12634v1
- Date: Tue, 18 Feb 2025 08:24:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-19 14:05:15.950997
- Title: Introducing Context Information in Lifelong Sequential Modeling using Temporal Convolutional Networks
- Title(参考訳): 時間畳み込みネットワークを用いた時系列モデリングにおける文脈情報の導入
- Authors: Ting Guo, Zhaoyang Yang, Qinsong Zeng, Ming Chen,
- Abstract要約: 本稿では,TCN(Temporal Convolutional Network)を用いて,各項目のコンテキスト認識表現を生涯にわたって生成する新しいネットワークを提案する。
また、ユーザの基本プロファイル機能に基づいた畳み込みフィルタを作成するために、軽量なサブネットワークも組み込んだ。
その結果,提案するネットワークは,予測精度とオンラインパフォーマンス指標の観点から,既存の手法を超越していることがわかった。
- 参考スコア(独自算出の注目度): 4.561273938467592
- License:
- Abstract: The importance of lifelong sequential modeling (LSM) is growing in the realm of social media recommendation systems. A key component in this process is the attention module, which derives interest representations with respect to candidate items from the sequence. Typically, attention modules function in a point-wise fashion, concentrating only on the relevance of individual items in the sequence to the candidate item. However, the context information in the neighboring items that is useful for more accurately evaluating the significance of each item has not been taken into account. In this study, we introduce a novel network which employs the Temporal Convolutional Network (TCN) to generate context-aware representations for each item throughout the lifelong sequence. These improved representations are then utilized in the attention module to produce context-aware interest representations. Expanding on this TCN framework, we present a enhancement module which includes multiple TCN layers and their respective attention modules to capture interest representations across different context scopes. Additionally, we also incorporate a lightweight sub-network to create convolution filters based on users' basic profile features. These personalized filters are then applied in the TCN layers instead of the original global filters to produce more user-specific representations. We performed experiments on both a public dataset and a proprietary dataset. The findings indicate that the proposed network surpasses existing methods in terms of prediction accuracy and online performance metrics.
- Abstract(参考訳): ソーシャルメディアレコメンデーションシステムの領域では,生涯連続モデリング(LSM)の重要性が高まっている。
このプロセスのキーコンポーネントはアテンションモジュールであり、シーケンスから候補項目に対する関心表現を導出する。
通常、アテンションモジュールはポイントワイズで機能し、シーケンス内の個々のアイテムと候補アイテムの関連性のみに集中する。
しかし、各項目の意義をより正確に評価するのに有用な近隣項目の文脈情報は考慮されていない。
本研究では,TCN(Temporal Convolutional Network)を用いて,各項目のコンテキスト認識表現を生涯にわたって生成するネットワークを提案する。
これらの改良された表現はアテンションモジュールで利用され、コンテキスト対応の関心表現を生成する。
このTNフレームワークを拡張して、複数のTN層と各注目モジュールを含む拡張モジュールを提案し、異なるコンテキスト範囲における関心表現をキャプチャする。
さらに、ユーザの基本プロファイル機能に基づいた畳み込みフィルタを作成するために、軽量なサブネットワークも組み込んだ。
これらのパーソナライズされたフィルタは、元のグローバルフィルタの代わりにTCN層で適用され、よりユーザ固有の表現を生成する。
パブリックデータセットとプロプライエタリデータセットの両方で実験を行った。
その結果,提案するネットワークは,予測精度とオンラインパフォーマンス指標の観点から,既存の手法を超越していることがわかった。
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) - Learning Partially Aligned Item Representation for Cross-Domain Sequential Recommendation [72.73379646418435]
クロスドメインシーケンシャルレコメンデーションは、ドメイン間でのユーザのシーケンシャルな好みを明らかにすることを目的としている。
ミスアライメントアイテム表現は、サブ最適シーケンシャルモデリングとユーザ表現アライメントにつながる可能性がある。
textbfCross- domain item representation textbfAlignment for textbfCross-textbfDomain textbfSequential textbfRecommendationを提案する。
論文 参考訳(メタデータ) (2024-05-21T03:25:32Z) - RefSAM: Efficiently Adapting Segmenting Anything Model for Referring Video Object Segmentation [53.4319652364256]
本稿では,ビデオオブジェクトのセグメンテーションを参照するためのSAMの可能性を探るRefSAMモデルを提案する。
提案手法は,Cross-RValModalを用いることで,モダリティ学習を向上させるためにオリジナルのSAMモデルに適応する。
我々は、言語と視覚の特徴を効果的に調整し、融合させるために、パラメータ効率のチューニング戦略を採用している。
論文 参考訳(メタデータ) (2023-07-03T13:21:58Z) - OST: Efficient One-stream Network for 3D Single Object Tracking in Point Clouds [6.661881950861012]
本稿では,従来のシームズネットワークで発生した相関操作を回避するために,インスタンスレベルのエンコーディングの強みを活かした新しい一ストリームネットワークを提案する。
提案手法は,クラス固有のトラッキングだけでなく,より少ない計算と高い効率でクラスに依存しないトラッキングを実現する。
論文 参考訳(メタデータ) (2022-10-16T12:31:59Z) - VLSNR:Vision-Linguistics Coordination Time Sequence-aware News
Recommendation [0.0]
マルチモーダルセマンティクスは、ユーザの時間的および長期的関心の理解を高めるのに有用である。
本研究では,視覚言語による時系列ニュースレコメンデーションを提案する。
また,大規模なマルチモーダルニュースレコメンデーションデータセットV-MINDを構築した。
論文 参考訳(メタデータ) (2022-10-06T14:27:37Z) - Dynamic Prototype Convolution Network for Few-Shot Semantic Segmentation [33.93192093090601]
少数ショットセマンティックセグメンテーション(FSS)の鍵となる課題は、サポートとクエリ機能間の望ましいインタラクションをどのように調整するかである。
そこで本研究では,FSSの精度を高めるために,本発明のプロトタイプコンボリューションネットワーク(DPCN)を提案する。
当社のDPCNは、kショットFSS設定下でも柔軟で効率的です。
論文 参考訳(メタデータ) (2022-04-22T11:12:37Z) - IA-GCN: Interactive Graph Convolutional Network for Recommendation [13.207235494649343]
グラフ畳み込みネットワーク(GCN)は、協調フィルタリング(CF)ベースのレコメンダシステム(RS)のための新しい最先端技術となった。
ユーザ同士の相互対話型ガイダンスを構築し,IA-GCN(InterActive GCN)と呼ばれる新しいモデルを提案する。
我々のモデルは、CFのための最先端のGCNモデルであるLightGCNの上に構築されており、エンドツーエンドで様々なGCNベースのCFアーキテクチャと組み合わせることができる。
論文 参考訳(メタデータ) (2022-04-08T03:38:09Z) - Learning Target-aware Representation for Visual Tracking via Informative
Interactions [49.552877881662475]
トラッキングのための特徴表現のターゲット認識能力を改善するために,新しいバックボーンアーキテクチャを提案する。
提案したGIMモジュールとInBN機構は、CNNやTransformerなど、さまざまなバックボーンタイプに適用可能である。
論文 参考訳(メタデータ) (2022-01-07T16:22:27Z) - ContextNet: A Click-Through Rate Prediction Framework Using Contextual
information to Refine Feature Embedding [2.146541845019669]
我々は,高次機能相互作用を暗黙的にモデル化するContextNetという新しいCTRフレームワークを提案する。
実世界の4つのデータセットについて広範な実験を行い、提案したContextNet-PFFNとContextNet-SFFNモデルがDeepFMやxDeepFMといった最先端モデルよりも優れていることを示した。
論文 参考訳(メタデータ) (2021-07-26T08:29:40Z) - Multi-Granularity Reference-Aided Attentive Feature Aggregation for
Video-based Person Re-identification [98.7585431239291]
ビデオベースの人物再識別は、同じ人物をビデオクリップ間でマッチングすることを目的としている。
本稿では,マルチグラニュラリティ参照属性集約モジュールMG-RAFAを提案する。
本フレームワークは,3つのベンチマークデータセット上での最先端のアブレーション性能を実現する。
論文 参考訳(メタデータ) (2020-03-27T03:49:21Z) - Global Context-Aware Progressive Aggregation Network for Salient Object
Detection [117.943116761278]
我々は,低レベルな外観特徴,高レベルな意味特徴,グローバルな文脈特徴を統合化するための新しいネットワークGCPANetを提案する。
提案手法は, 定量的かつ定性的に, 最先端の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-03-02T04:26:10Z)
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。