論文の概要: Recommendation System in Advertising and Streaming Media: Unsupervised Data Enhancement Sequence Suggestions

• arxiv url: http://arxiv.org/abs/2504.08740v1
• Date: Sun, 23 Mar 2025 06:30:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-20 06:33:21.919333
• Title: Recommendation System in Advertising and Streaming Media: Unsupervised Data Enhancement Sequence Suggestions
• Title（参考訳）: 広告・ストリーミングメディアにおけるレコメンデーションシステム:教師なしデータ強化シーケンスの提案
• Authors: Kowei Shih, Yi Han, Li Tan,
• Abstract要約: 我々は,グラフの対照的な学習視点を取り入れた新しいフレームワークであるGlobal Unsupervised Data-Augmentation (UDA4SR)を導入し,シーケンシャルレコメンデーションのための堅牢なアイテム埋め込みを生成する。 当社のアプローチは,データ拡張のためのGAN(Generative Adrial Networks)の統合から始まり,トレーニングデータの多様性と豊かさを高めるための第一歩となる。 ユーザの動的かつ多様な関心をより効果的にモデル化するために,新しいターゲットアテンション機構を備えたCapsNetモジュールを改良する。
• 参考スコア（独自算出の注目度）: 2.9633211091806997
• License:
• Abstract: Sequential recommendation is an extensively explored approach to capturing users' evolving preferences based on past interactions, aimed at predicting their next likely choice. Despite significant advancements in this domain, including methods based on RNNs and self-attention, challenges like limited supervised signals and noisy data caused by unintentional clicks persist. To address these challenges, some studies have incorporated unsupervised learning by leveraging local item contexts within individual sequences. However, these methods often overlook the intricate associations between items across multiple sequences and are susceptible to noise in item co-occurrence patterns. In this context, we introduce a novel framework, Global Unsupervised Data-Augmentation (UDA4SR), which adopts a graph contrastive learning perspective to generate more robust item embeddings for sequential recommendation. Our approach begins by integrating Generative Adversarial Networks (GANs) for data augmentation, which serves as the first step to enhance the diversity and richness of the training data. Then, we build a Global Item Relationship Graph (GIG) based on all user interaction sequences. Subsequently, we employ graph contrastive learning on the refined graph to enhance item embeddings by capturing complex global associations. To model users' dynamic and diverse interests more effectively, we enhance the CapsNet module with a novel target-attention mechanism. Extensive experiments show that UDA4SR significantly outperforms state-of-the-art approaches.
• Abstract（参考訳）: シークエンシャルレコメンデーション(Sequential recommendation)は、過去のインタラクションに基づいたユーザの進化する好みを捉え、次の選択肢を予測することを目的とした、広範囲に検討されたアプローチである。 RNNや自己注意に基づく手法など、この分野の大幅な進歩にもかかわらず、教師付き信号の制限や意図しないクリックによるノイズの多いデータといった課題は継続している。 これらの課題に対処するために、個々のシーケンス内のローカルアイテムコンテキストを活用することで教師なし学習を取り入れた研究もある。 しかし、これらの手法は、複数のシーケンスにまたがるアイテム間の複雑な関連を見落とし、アイテム共起パターンのノイズの影響を受けやすいことが多い。 本稿では,グラフの対照的な学習視点を取り入れた新しいフレームワークであるGlobal Unsupervised Data-Augmentation (UDA4SR)を導入し,より堅牢なアイテム埋め込みをシーケンシャルなレコメンデーションのために生成する。 当社のアプローチは,データ拡張のためのGAN(Generative Adversarial Networks)の統合から始まり,トレーニングデータの多様性と豊かさを高めるための第一歩となる。 そして、すべてのユーザインタラクションシーケンスに基づいて、Global Item Relationship Graph(GIG)を構築する。 その後、複雑なグローバルな関連関係を捉えることで、アイテムの埋め込みを強化するために、精巧なグラフにグラフのコントラスト学習を用いる。 ユーザの動的かつ多様な関心をより効果的にモデル化するために,新しいターゲットアテンション機構を備えたCapsNetモジュールを改良する。 大規模な実験により、UDA4SRは最先端のアプローチを著しく上回っていることが示されている。

関連論文リスト

• Topology-Aware Popularity Debiasing via Simplicial Complexes [19.378410889819165]
  TSP(Test-time Simplicial Propagation)は、グラフニューラルネットワーク(GNN)の表現性を高めるために、simplicial Complex(SC)を組み込んだ。 提案手法は, SCを用いて複数順序関係を捕捉し, ユーザとイテムのインタラクションをより包括的に表現する。 提案手法はより均一なアイテム表現分布を生成し,より公平で正確なレコメンデーションを実現する。
  論文  参考訳（メタデータ） (2024-11-21T07:12:47Z)
• Enhancing Graph Contrastive Learning with Reliable and Informative Augmentation for Recommendation [84.45144851024257]
  離散コードによるより強力な協調情報を用いて、コントラスト的なビューを構築することにより、グラフのコントラスト学習を強化することを目的とした、新しいフレームワークを提案する。 中心となる考え方は、ユーザとアイテムを協調情報に富んだ離散コードにマッピングし、信頼性と情報に富んだコントラッシブなビュー生成を可能にすることである。
  論文  参考訳（メタデータ） (2024-09-09T14:04:17Z)
• APGL4SR: A Generic Framework with Adaptive and Personalized Global Collaborative Information in Sequential Recommendation [86.29366168836141]
  逐次推薦のための適応およびパーソナライズされたグラフ学習(APGL4SR)というグラフ駆動型フレームワークを提案する。 APGL4SRは、適応的でパーソナライズされたグローバルな協調情報をシーケンシャルレコメンデーションシステムに組み込む。 一般的なフレームワークとして、APGL4SRは大きなマージンを持つ他のベースラインよりも優れている。
  論文  参考訳（メタデータ） (2023-11-06T01:33:24Z)
• Graph Masked Autoencoder for Sequential Recommendation [10.319298705782058]
  本稿では,自動エンコーダ付きシーケンシャルレコメンダシステム(MAERec, Graph Masked AutoEncoder-enhanced Sequence Recommender System)を提案する。 提案手法は最先端のベースラインモデルを大幅に上回り,データノイズや空間性に対するより正確な表現を学習することができる。
  論文  参考訳（メタデータ） (2023-05-08T10:57:56Z)
• GUESR: A Global Unsupervised Data-Enhancement with Bucket-Cluster Sampling for Sequential Recommendation [58.6450834556133]
  本研究では,グローバルな視点から複雑な関連性を持つ項目表現を強化するために,グラフコントラスト学習を提案する。 本稿では,CapsNetモジュールを拡張したターゲットアテンション機構により,ユーザの動的嗜好を導出する。 提案したGUESRは,大幅な改善を達成できただけでなく,汎用的な拡張戦略ともみなすことができた。
  論文  参考訳（メタデータ） (2023-03-01T05:46:36Z)
• Enhancing Sequential Recommendation with Graph Contrastive Learning [64.05023449355036]
  本稿では、逐次推薦のためのグラフコントラスト学習(GCL4SR)という、新しいシーケンシャルレコメンデーションフレームワークを提案する。 GCL4SRは、すべてのユーザのインタラクションシーケンスに基づいて構築された重み付きアイテム遷移グラフ(WITG)を使用して、各インタラクションのグローバルなコンテキスト情報を提供し、シーケンスデータのノイズ情報を弱める。 実世界のデータセットの実験では、GCL4SRは最先端のシーケンシャルレコメンデーションメソッドよりも一貫して優れていることが示されている。
  論文  参考訳（メタデータ） (2022-05-30T03:53:31Z)
• Edge-Enhanced Global Disentangled Graph Neural Network for Sequential Recommendation [44.15486708923762]
  本稿では,エッジ拡張グローバルディスタングルグラフニューラルネットワーク(EGD-GNN)モデルを提案する。 グローバルレベルでは、アイテムの関係をモデル化するために、すべてのシーケンスにまたがるグローバルリンクグラフを構築します。 ローカルレベルでは、変動型自動エンコーダフレームワークを適用して、現在のシーケンスに関するユーザの意図を学習する。
  論文  参考訳（メタデータ） (2021-11-20T08:15:20Z)
• 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)
• Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
  グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。 複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。 本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:03:06Z)

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。