論文の概要: ActionPiece: Contextually Tokenizing Action Sequences for Generative Recommendation

• arxiv url: http://arxiv.org/abs/2502.13581v1
• Date: Wed, 19 Feb 2025 09:45:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-20 14:00:36.755352
• Title: ActionPiece: Contextually Tokenizing Action Sequences for Generative Recommendation
• Title（参考訳）: ActionPiece: ジェネレーティブレコメンデーションのためのアクションシーケンスのコンテキスト的トークン化
• Authors: Yupeng Hou, Jianmo Ni, Zhankui He, Noveen Sachdeva, Wang-Cheng Kang, Ed H. Chi, Julian McAuley, Derek Zhiyuan Cheng,
• Abstract要約: ジェネレーティブレコメンデーション(GR)は、ユーザアクションを個別のトークンパターンにトークン化し、予測として自動回帰的に生成する、新たなパラダイムである。 既存のGRモデルはそれぞれのアクションを独立にトークン化し、同じ固定トークンをコンテキスト関係を考慮せずにすべてのシーケンスで同一のアクションに割り当てる。 この文脈認識の欠如は、周囲の文脈によって異なる意味を持つため、最適以下のパフォーマンスをもたらす可能性がある。 ActionPieceは、アクションシーケンスをトークン化する際のコンテキストを明示的に組み込むために、ActionPieceを提案する。ActionPieceは、既存のアクショントークン化メソッドを一貫して上回り、NDCG@$10$を6.00%$から12.82%$に改善する。
• 参考スコア（独自算出の注目度）: 43.597904136597876
• License:
• Abstract: Generative recommendation (GR) is an emerging paradigm where user actions are tokenized into discrete token patterns and autoregressively generated as predictions. However, existing GR models tokenize each action independently, assigning the same fixed tokens to identical actions across all sequences without considering contextual relationships. This lack of context-awareness can lead to suboptimal performance, as the same action may hold different meanings depending on its surrounding context. To address this issue, we propose ActionPiece to explicitly incorporate context when tokenizing action sequences. In ActionPiece, each action is represented as a set of item features, which serve as the initial tokens. Given the action sequence corpora, we construct the vocabulary by merging feature patterns as new tokens, based on their co-occurrence frequency both within individual sets and across adjacent sets. Considering the unordered nature of feature sets, we further introduce set permutation regularization, which produces multiple segmentations of action sequences with the same semantics. Experiments on public datasets demonstrate that ActionPiece consistently outperforms existing action tokenization methods, improving NDCG@$10$ by $6.00\%$ to $12.82\%$.
• Abstract（参考訳）: ジェネレーティブレコメンデーション(GR)は、ユーザアクションを個別のトークンパターンにトークン化し、予測として自動回帰的に生成する、新たなパラダイムである。 しかし、既存のGRモデルはそれぞれのアクションを独立にトークン化し、同じ固定トークンをコンテキスト関係を考慮せずに全てのシーケンスで同一のアクションに割り当てる。 この文脈認識の欠如は、周囲の文脈によって異なる意味を持つため、最適以下のパフォーマンスをもたらす可能性がある。 この問題に対処するために、アクションシーケンスのトークン化時にコンテキストを明示的に組み込むActionPieceを提案する。 ActionPieceでは、各アクションはアイテム機能のセットとして表現され、初期トークンとして機能する。 アクションシーケンスコーパスが与えられた場合、各集合内および隣接集合間の共起周波数に基づいて、特徴パターンを新しいトークンとしてマージして語彙を構築する。 特徴集合の非順序性を考えると、同じ意味を持つアクションシーケンスの複数のセグメンテーションを生成する集合置換正則化も導入する。 公開データセットの実験では、ActionPieceは既存のアクショントークン化メソッドを一貫して上回り、NDCG@$10$を6.00\%から12.82\%$に改善している。

関連論文リスト

• STORE: Streamlining Semantic Tokenization and Generative Recommendation with A Single LLM [59.08493154172207]
  本稿では,意味的トークン化と生成的レコメンデーションプロセスを合理化する統合フレームワークを提案する。 我々は,意味的トークン化をテキスト・ツー・ケントタスクとして定式化し,生成的推薦をトークン・ツー・ケントタスクとして,トークン・ツー・ケント・コンストラクションタスクとテキスト・ツー・ケント補助タスクで補足する。 これらのタスクはすべて生成的な方法でフレーム化され、単一の大規模言語モデル(LLM)バックボーンを使用してトレーニングされる。
  論文  参考訳（メタデータ） (2024-09-11T13:49:48Z)
• FCA-RAC: First Cycle Annotated Repetitive Action Counting [30.253568218869237]
  我々は、FCA-RAC(First Cycle Annotated Repetitive Action Counting)と呼ばれるフレームワークを提案する。 FCA-RACは、(1)トレーニングビデオに、第1のアクションサイクルの開始と終了と、合計のアクションカウントとをアノテートするラベリング技術を含む。 この手法により、モデルが初期行動サイクルとその後の行動との相関を捉えることができる。
  論文  参考訳（メタデータ） (2024-06-18T01:12:43Z)
• Activity Grammars for Temporal Action Segmentation [71.03141719666972]
  時間的アクションセグメンテーションは、トリミングされていないアクティビティビデオを一連のアクションセグメンテーションに変換することを目的としている。 本稿では,時間的行動セグメンテーションのための神経予測を導くための効果的な活動文法を提案する。 実験の結果,提案手法は時間的動作のセグメンテーションを性能と解釈性の両方の観点から著しく改善することが示された。
  論文  参考訳（メタデータ） (2023-12-07T12:45:33Z)
• Tapestry of Time and Actions: Modeling Human Activity Sequences using Temporal Point Process Flows [9.571588145356277]
  本稿では,アクティビティシーケンス中のアクションの連続的な分布をモデル化するフレームワークであるProActiveを提案する。 ProActiveは次のアクション予測、シーケンスゴール予測、エンドツーエンドシーケンス生成という3つの高影響問題に対処する。
  論文  参考訳（メタデータ） (2023-07-13T19:17:54Z)
• SVIP: Sequence VerIfication for Procedures in Videos [68.07865790764237]
  ステップレベルの変換を伴う負のアクションシーケンスと同一のアクションシーケンスを実行するポジティブなビデオペアを区別することを目的とした,新しいシーケンス検証タスクを提案する。 このような困難なタスクは、事前のアクション検出やセグメンテーションなしで、オープンセット設定に置かれる。 我々は、化学実験において、あらゆる段階的な変換を列挙したスクリプト付きビデオデータセットを収集する。
  論文  参考訳（メタデータ） (2021-12-13T07:03:36Z)
• Learning to Align Sequential Actions in the Wild [123.62879270881807]
  本研究では,多様な時間的変動を伴う野生における逐次行動の整合性を示すアプローチを提案する。 我々のモデルは単調列と非単調列の両方を考慮に入れている。 自己教師型シーケンシャルな行動表現学習において,我々のアプローチは一貫して最先端の行動表現学習に勝っていることを示す。
  論文  参考訳（メタデータ） (2021-11-17T18:55:36Z)
• Two-level monotonic multistage recommender systems [5.983189537988243]
  パーソナライズされた予測のためのイベントのモノトニック連鎖を特徴付ける2レベルモノトニック特性 ユーザ固有の振る舞いを異なる段階で学習するための正規化コスト関数。 ブロックワイズ座標降下に基づくアルゴリズム
  論文  参考訳（メタデータ） (2021-10-06T08:50:32Z)
• Inferring Temporal Compositions of Actions Using Probabilistic Automata [61.09176771931052]
  本稿では,動作の時間的構成を意味正規表現として表現し,確率的オートマトンを用いた推論フレームワークを提案する。 我々のアプローチは、長い範囲の複雑なアクティビティを、順序のないアトミックアクションのセットとして予測するか、自然言語文を使ってビデオを取得するという既存の研究とは異なる。
  論文  参考訳（メタデータ） (2020-04-28T00:15:26Z)

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。