論文の概要: Session-based Recommender Systems: User Interest as a Stochastic Process in the Latent Space

• arxiv url: http://arxiv.org/abs/2504.10005v1
• Date: Mon, 14 Apr 2025 09:08:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-22 22:35:19.368191
• Title: Session-based Recommender Systems: User Interest as a Stochastic Process in the Latent Space
• Title（参考訳）: セッションベースレコメンダシステム:潜在空間における確率的プロセスとしてのユーザ関心
• Authors: Klaudia Balcer, Piotr Lipinski,
• Abstract要約: 本稿では,セッションベースレコメンデータシステムにおけるデータ不確実性,人気バイアス,露出バイアスの問題に対処する。 項目埋め込みとレコメンデーションの両方において,このバイアスの症状について検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper jointly addresses the problem of data uncertainty, popularity bias, and exposure bias in session-based recommender systems. We study the symptoms of this bias both in item embeddings and in recommendations. We propose treating user interest as a stochastic process in the latent space and providing a model-agnostic implementation of this mathematical concept. The proposed stochastic component consists of elements: debiasing item embeddings with regularization for embedding uniformity, modeling dense user interest from session prefixes, and introducing fake targets in the data to simulate extended exposure. We conducted computational experiments on two popular benchmark datasets, Diginetica and YooChoose 1/64, as well as several modifications of the YooChoose dataset with different ratios of popular items. The results show that the proposed approach allows us to mitigate the challenges mentioned.
• Abstract（参考訳）: 本稿では,セッションベースレコメンデータシステムにおけるデータ不確実性,人気バイアス,露出バイアスの問題を共同で解決する。 項目埋め込みとレコメンデーションの両方において,このバイアスの症状について検討した。 本稿では,ユーザの関心を潜在空間における確率的プロセスとして扱うことを提案し,この数学的概念のモデルに依存しない実装を提供する。 提案する確率的成分は, 統一性を組み込むための正規化によるアイテム埋め込みのデバイアス化, セッションプレフィックスからの密ユーザ関心のモデリング, 拡張露光をシミュレートするためのデータへの偽ターゲットの導入などである。 2つの人気のあるベンチマークデータセットであるDigineticaとYooChoose 1/64の計算実験を行い、人気項目の比率の異なるYooChooseデータセットのいくつかの修正を行った。 その結果,提案手法が課題の緩和に有効であることが示唆された。

関連論文リスト

• Slow Thinking for Sequential Recommendation [88.46598279655575]
  本稿では,STREAM-Recという新しいスローシンキングレコメンデーションモデルを提案する。 弊社のアプローチは、過去のユーザの振る舞いを分析し、多段階の熟考的推論プロセスを生成し、パーソナライズされたレコメンデーションを提供する。 具体的には,(1)レコメンデーションシステムにおける適切な推論パターンを特定すること,(2)従来のレコメンデーションシステムの推論能力を効果的に刺激する方法を検討すること,の2つの課題に焦点を当てる。
  論文  参考訳（メタデータ） (2025-04-13T15:53:30Z)
• Variational Bayesian Personalized Ranking [39.24591060825056]
  変分的BPRは、確率最適化、ノイズ低減、人気低下を統合する、新しく実装が容易な学習目標である。 本稿では,問題サンプルからの雑音を効果的に低減するために,注目に基づく競合学習手法を提案する。 実験により、人気のあるバックボーンレコメンデーションモデルにおける変分BPRの有効性を実証する。
  論文  参考訳（メタデータ） (2025-03-14T04:22:01Z)
• Modeling the Heterogeneous Duration of User Interest in Time-Dependent Recommendation: A Hidden Semi-Markov Approach [11.392605386729699]
  ユーザの関心事の変化を追跡するために,隠れたセミマルコフモデルを提案する。 このモデルでは、(最近)関心のある状態に留まるユーザの異なる期間をキャプチャすることができる。 パラメータを推定し,ユーザの行動を予測するためのアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2024-12-15T09:17:45Z)
• Learning Recommender Systems with Soft Target: A Decoupled Perspective [49.83787742587449]
  そこで本研究では,ソフトラベルを活用することで,目的を2つの側面として捉えるために,分離されたソフトラベル最適化フレームワークを提案する。 本稿では,ラベル伝搬アルゴリズムをモデル化したソフトラベル生成アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-09T04:20:15Z)
• Long-Sequence Recommendation Models Need Decoupled Embeddings [49.410906935283585]
  我々は、既存の長期推薦モデルにおいて無視された欠陥を識別し、特徴付ける。 埋め込みの単一のセットは、注意と表現の両方を学ぶのに苦労し、これら2つのプロセス間の干渉につながります。 本稿では,2つの異なる埋め込みテーブルを別々に学習し,注意と表現を完全に分離する,DARE(Decoupled Attention and Representation Embeddings)モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-03T15:45:15Z)
• Algorithmic Drift: A Simulation Framework to Study the Effects of Recommender Systems on User Preferences [7.552217586057245]
  本稿では,長期シナリオにおけるユーザ-リコメンダ間のインタラクションを模倣するシミュレーションフレームワークを提案する。 本稿では,ユーザの嗜好に対するアルゴリズムの影響を定量化する2つの新しい指標について紹介する。
  論文  参考訳（メタデータ） (2024-09-24T21:54:22Z)
• Be Aware of the Neighborhood Effect: Modeling Selection Bias under Interference [50.95521705711802]
  従来の研究では、予測モデルの偏りのない学習を実現するために、選択バイアスに対処することに注力してきた。 本稿では、因果推論の観点から、近隣効果を干渉問題として公式に定式化する。 本稿では,近隣効果の存在下で選択バイアスに対処できる新しい理想的損失を提案する。
  論文  参考訳（メタデータ） (2024-04-30T15:20:41Z)
• Exploring Popularity Bias in Session-based Recommendation [0.6798775532273751]
  セッションベースの設定と適応確率計算に分析を拡張し、セッションベースのレコメンデーションタスクの独特な特性に適応する。 本研究では、異なるデータセット上での確率分布と異なる階層化手法について検討し、確率関連特性が実際にデータセット固有のものであることを見出した。
  論文  参考訳（メタデータ） (2023-12-13T02:48:35Z)
• Federated Privacy-preserving Collaborative Filtering for On-Device Next App Prediction [52.16923290335873]
  本稿では,モバイルデバイス使用時の次のアプリの起動を予測するための新しいSeqMFモデルを提案する。 古典行列分解モデルの構造を修正し、学習手順を逐次学習に更新する。 提案手法のもうひとつの要素は,ユーザからリモートサーバへの送信データの保護を保証する,新たなプライバシメカニズムである。
  論文  参考訳（メタデータ） (2023-02-05T10:29:57Z)
• Cross-Dataset Propensity Estimation for Debiasing Recommender Systems [5.449173263947196]
  選択バイアスが量子化の異なるデータセットに与える影響について検討する。 次に、異なるソース分布から異なる2つの量子化されたデータセットを活用して、分散シフトを緩和する。
  論文  参考訳（メタデータ） (2022-12-22T03:04:14Z)
• Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
  Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。 学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。 本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-15T10:08:39Z)

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。