論文の概要: Linear Item-Item Model with Neural Knowledge for Session-based Recommendation
- arxiv url: http://arxiv.org/abs/2504.15057v1
- Date: Mon, 21 Apr 2025 12:34:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-29 15:09:21.711658
- Title: Linear Item-Item Model with Neural Knowledge for Session-based Recommendation
- Title（参考訳）: セッションベースレコメンデーションのためのニューラルネットワークを用いた線形項目モデル
- Authors: Minjin Choi, Sunkyung Lee, Seongmin Park, Jongwuk Lee,
- Abstract要約: セッションベースレコメンデーション(SBR)は、セッション内での短期的なインタラクションをモデル化することによって、ユーザのその後のアクションを予測することを目的としている。
本稿では,2種類の知識を統一線形フレームワークに統合した新しいSBRモデル,すなわち線形項目モデルとニューラル知識(リンク)を提案する。
Linkは6つの実世界のデータセットで最先端の線形SBRモデルより優れています。
- 参考スコア（独自算出の注目度）: 12.510697420439746
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Session-based recommendation (SBR) aims to predict users' subsequent actions by modeling short-term interactions within sessions. Existing neural models primarily focus on capturing complex dependencies for sequential item transitions. As an alternative solution, linear item-item models mainly identify strong co-occurrence patterns across items and support faster inference speed. Although each paradigm has been actively studied in SBR, their fundamental differences in capturing item relationships and how to bridge these distinct modeling paradigms effectively remain unexplored. In this paper, we propose a novel SBR model, namely Linear Item-Item model with Neural Knowledge (LINK), which integrates both types of knowledge into a unified linear framework. Specifically, we design two specialized components of LINK: (i) Linear knowledge-enhanced Item-item Similarity model (LIS), which refines the item similarity correlation via self-distillation, and (ii) Neural knowledge-enhanced Item-item Transition model (NIT), which seamlessly incorporates complicated neural knowledge distilled from the off-the-shelf neural model. Extensive experiments demonstrate that LINK outperforms state-of-the-art linear SBR models across six real-world datasets, achieving improvements of up to 14.78% and 11.04% in Recall@20 and MRR@20 while showing up to 813x fewer inference FLOPs. Our code is available at https://github.com/jin530/LINK.
- Abstract（参考訳）: セッションベースレコメンデーション(SBR)は、セッション内での短期的なインタラクションをモデル化することによって、ユーザのその後のアクションを予測することを目的としている。
既存のニューラルネットワークは、シーケンシャルなアイテム遷移のための複雑な依存関係のキャプチャに重点を置いている。
代替ソリューションとして、線形アイテムイテムモデルは、主にアイテム間の強い共起パターンを特定し、より高速な推論速度をサポートする。
それぞれのパラダイムはSBRで活発に研究されているが、アイテム関係の捕捉における基本的な違いと、これらの異なるモデリングパラダイムを効果的に橋渡しする方法は、探索されていないままである。
本稿では,2種類の知識を統一線形フレームワークに統合した線形項目モデル(LINK)を提案する。
具体的には、LINKの2つの特別なコンポーネントを設計する。
一 自己蒸留による項目類似性相関を洗練させる線形知識強化項目類似モデル(LIS)
(II)既成のニューラルモデルから抽出した複雑なニューラル知識をシームレスに組み込んだニューラルナレッジ強化項目遷移モデル(NIT)。
LINKは6つの実世界のデータセットで最先端の線形SBRモデルより優れており、Recall@20とMRR@20では最大14.78%と11.04%の改善が達成されている。
私たちのコードはhttps://github.com/jin530/LINK.comから入手可能です。
関連論文リスト
- In-Model Merging for Enhancing the Robustness of Medical Imaging Classification Models [5.871732354387235]
In-model merging(InMerge)を提案する。
異なるCNNアーキテクチャに対する本手法の有効性と有効性を示す。
提案したInMerge学習モデルは、典型的に訓練されたモデルをかなりのマージンで上回る。
論文 参考訳（メタデータ） (2025-02-27T20:52:55Z) - High-Performance Few-Shot Segmentation with Foundation Models: An Empirical Study [64.06777376676513]
基礎モデルに基づく数ショットセグメンテーション(FSS)フレームワークを開発した。
具体的には、基礎モデルから暗黙的な知識を抽出し、粗い対応を構築するための簡単なアプローチを提案する。
2つの広く使われているデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2024-09-10T08:04:11Z) - Demolition and Reinforcement of Memories in Spin-Glass-like Neural
Networks [0.0]
この論文の目的は、連想記憶モデルと生成モデルの両方において、アンラーニングの有効性を理解することである。
構造化データの選択により、連想記憶モデルは、相当量のアトラクションを持つニューラルダイナミクスのアトラクションとしての概念を検索することができる。
Boltzmann Machinesの新しい正規化手法が提案され、データセットから隠れ確率分布を学習する以前に開発された手法より優れていることが証明された。
論文 参考訳（メタデータ） (2024-03-04T23:12:42Z) - Telematics Combined Actuarial Neural Networks for Cross-Sectional and
Longitudinal Claim Count Data [0.0]
本稿では,Mario W"uthrich と Michael Merz が提案した,CANN (Combined Actuarial Network) フレームワークに基づく自動車保険の断面的および縦断的請求数モデルを提案する。
論文 参考訳（メタデータ） (2023-08-03T12:40:44Z) - Accurate deep learning sub-grid scale models for large eddy simulations [0.0]
大型渦流シミュレーション(LES)のために開発されたサブグリッドスケール(SGS)乱流モデルについて述べる。
彼らの開発には、物理インフォームド・ロバストで効率的なDeep Learning (DL)アルゴリズムの定式化が必要だった。
2つの摩擦レイノルズ数における正準流路流れの直接シミュレーションによるデータの明示的なフィルタリングは、訓練と試験のための正確なデータを提供した。
論文 参考訳（メタデータ） (2023-07-19T15:30:06Z) - Model LEGO: Creating Models Like Disassembling and Assembling Building Blocks [53.09649785009528]
本稿では,新しいモデルを得るためのトレーニングを必要としないパラダイムについて検討する。
生体視覚系における受容野にインスパイアされたCNNの誕生と同様、モデル分解と組み立てを提案する。
モデル組立には、特定のタスクに適した新しいモデルを構築するために、アライメントパディング戦略とパラメータスケーリング戦略を提案する。
論文 参考訳（メタデータ） (2022-03-25T05:27:28Z) - Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。
本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
論文 参考訳（メタデータ） (2022-03-23T12:52:49Z) - 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) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - Fully differentiable model discovery [0.0]
ニューラルネットワークに基づくサロゲートとスパースベイズ学習を組み合わせたアプローチを提案する。
我々の研究は、PINNを様々なタイプのニューラルネットワークアーキテクチャに拡張し、ニューラルネットワークベースのサロゲートをベイズパラメータ推論のリッチフィールドに接続する。
論文 参考訳（メタデータ） (2021-06-09T08:11:23Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳（メタデータ） (2020-07-02T17:55:47Z)
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。