論文の概要: Revisiting Self-Attentive Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2504.09596v1
• Date: Sun, 13 Apr 2025 14:30:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 16:48:39.989651
• Title: Revisiting Self-Attentive Sequential Recommendation
• Title（参考訳）: 自己認識的シーケンスレコメンデーションの見直し
• Authors: Zan Huang,
• Abstract要約: 本稿では,今後のレコメンデーション研究のために,その詳細と新しい実験手法を提案する。 変圧器デコーダをシーケンシャルレコメンデータとして使うというアプローチは数年前に提案され、最近の研究では依然として強力なベースラインとなっている。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Recommender systems are ubiquitous in on-line services to drive businesses. And many sequential recommender models were deployed in these systems to enhance personalization. The approach of using the transformer decoder as the sequential recommender was proposed years ago and is still a strong baseline in recent works. But this kind of sequential recommender model did not scale up well, compared to language models. Quite some details in the classical self-attentive sequential recommender model could be revisited, and some new experiments may lead to new findings, without changing the general model structure which was the focus of many previous works. In this paper, we show the details and propose new experiment methodologies for future research on sequential recommendation, in hope to motivate further exploration to new findings in this area.
• Abstract（参考訳）: レコメンダシステムは、企業を駆動するオンラインサービスではユビキタスである。 そして、パーソナライズを強化するために、これらのシステムに多くのシーケンシャルなレコメンデータモデルがデプロイされた。 変換器デコーダをシーケンシャルレコメンデータとして使うというアプローチは数年前に提案され、最近の研究では依然として強力なベースラインとなっている。 しかし、このようなシーケンシャルなレコメンデータモデルは、言語モデルと比べて、うまくスケールアップできなかった。 古典的自己意図的シーケンシャルレコメンダモデルのいくつかの詳細は再検討され、いくつかの新しい実験は、以前の多くの研究の焦点であった一般的なモデル構造を変更することなく、新しい発見につながる可能性がある。 本稿では,この領域における新たな発見へのさらなる研究の動機づけを願って,今後のレコメンデーション研究に向けた新たな実験手法を提案する。

関連論文リスト

• Scaling New Frontiers: Insights into Large Recommendation Models [74.77410470984168]
  MetaのジェネレーティブレコメンデーションモデルHSTUは、パラメータを数千億に拡張することでレコメンデーションシステムのスケーリング法則を説明している。 我々は、これらのスケーリング法則の起源を探るため、包括的なアブレーション研究を行っている。 大規模なレコメンデーションモデルの今後の方向性に関する洞察を提供する。
  論文  参考訳（メタデータ） (2024-12-01T07:27:20Z)
• Sequential Recommendation via Adaptive Robust Attention with Multi-dimensional Embeddings [7.207685588038045]
  逐次レコメンデーションモデルは自己認識機構を用いて最先端のパフォーマンスを達成した。 アイテムIDと位置埋め込みのみの使用を超えて移動すると、次の項目を予測するときにかなりの精度が向上する。 モデルの頑健さと一般化を改善するため,レイヤワイドノイズインジェクション(LNI)正則化を用いたミックスアテンション機構を導入する。
  論文  参考訳（メタデータ） (2024-09-08T08:27:22Z)
• GenRec: Generative Sequential Recommendation with Large Language Models [4.381277509913139]
  我々はGenerative Recommendation(GenRec)という新しいモデルを提案する。 GenRecは軽量で、低リソース環境で効果的にトレーニングするのに数時間しか必要としない。 我々の実験は、GenRecが様々な公開現実世界のデータセットを一般化することを実証した。
  論文  参考訳（メタデータ） (2024-07-30T20:58:36Z)
• Impression-Aware Recommender Systems [53.48892326556546]
  本稿ではインプレッションを用いたレコメンデーションシステムに関する体系的な文献レビューを行う。 本稿では,印象型レコメンデーションシステムと,印象型レコメンデーションシステムという,パーソナライズされたレコメンデーションのための新しいパラダイムを論じる。
  論文  参考訳（メタデータ） (2023-08-15T16:16:02Z)
• A Sequence-Aware Recommendation Method Based on Complex Networks [1.385805101975528]
  データからネットワークモデルを構築し、それを使ってユーザのその後のアクションを予測する。 提案手法は大規模データセット上で実験的に実装および試験を行った。
  論文  参考訳（メタデータ） (2022-09-30T16:34:39Z)
• Reinforcement Learning based Path Exploration for Sequential Explainable Recommendation [57.67616822888859]
  強化学習(TMER-RL)を活用した新しい時間的メタパスガイド型説明可能な勧告を提案する。 TMER-RLは, 動的知識グラフ上での動的ユーザ・イテム進化を逐次モデル化するために, 注意機構を持つ連続項目間の強化項目・イテムパスをモデル化する。 2つの実世界のデータセットに対するTMERの大規模な評価は、最近の強いベースラインと比較して最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2021-11-24T04:34:26Z)
• A Survey on Neural Recommendation: From Collaborative Filtering to Content and Context Enriched Recommendation [70.69134448863483]
  レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。 近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
  論文  参考訳（メタデータ） (2021-04-27T08:03:52Z)
• Hybrid Model with Time Modeling for Sequential Recommender Systems [0.15229257192293202]
  Booking.comはWSDM WebTour 2021 Challengeを組織した。 レコメンダシステムのための最先端のディープラーニングアーキテクチャをテストするために,いくつかの実験を行った。 実験結果から,narmの改善は他のベンチマーク手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-03-07T19:28:22Z)
• Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
  逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。 当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
  論文  参考訳（メタデータ） (2020-05-21T12:28:59Z)

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。