論文の概要: INTERPOS: Interaction Rhythm Guided Positional Morphing for Mobile App Recommender Systems

• arxiv url: http://arxiv.org/abs/2506.12661v1
• Date: Sat, 14 Jun 2025 23:40:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:46.61205
• Title: INTERPOS: Interaction Rhythm Guided Positional Morphing for Mobile App Recommender Systems
• Title（参考訳）: InterPOS: モバイルアプリレコメンダシステムのためのインタラクションリズムガイドによる位置定位
• Authors: M. H. Maqbool, Moghis Fereidouni, Umar Farooq, A. B. Siddique, Hassan Foroosh,
• Abstract要約: 自動回帰型モバイルアプリレコメンデータシステムのための対話リズムガイド型位置定位方式であるInterspectPOSを導入する。 InterPOS は NDCG@K と HIT@K のメトリクスで 7 つのモバイルアプリレコメンデーションデータセットを用いて,最先端のモデルより優れていることを示す。
• 参考スコア（独自算出の注目度）: 11.188405301894013
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The mobile app market has expanded exponentially, offering millions of apps with diverse functionalities, yet research in mobile app recommendation remains limited. Traditional sequential recommender systems utilize the order of items in users' historical interactions to predict the next item for the users. Position embeddings, well-established in transformer-based architectures for natural language processing tasks, effectively distinguish token positions in sequences. In sequential recommendation systems, position embeddings can capture the order of items in a user's historical interaction sequence. Nevertheless, this ordering does not consider the time elapsed between two interactions of the same user (e.g., 1 day, 1 week, 1 month), referred to as "user rhythm". In mobile app recommendation datasets, the time between consecutive user interactions is notably longer compared to other domains like movies, posing significant challenges for sequential recommender systems. To address this phenomenon in the mobile app domain, we introduce INTERPOS, an Interaction Rhythm Guided Positional Morphing strategy for autoregressive mobile app recommender systems. INTERPOS incorporates rhythm-guided position embeddings, providing a more comprehensive representation that considers both the sequential order of interactions and the temporal gaps between them. This approach enables a deep understanding of users' rhythms at a fine-grained level, capturing the intricacies of their interaction patterns over time. We propose three strategies to incorporate the morphed positional embeddings in two transformer-based sequential recommendation system architectures. Our extensive evaluations show that INTERPOS outperforms state-of-the-art models using 7 mobile app recommendation datasets on NDCG@K and HIT@K metrics. The source code of INTERPOS is available at https://github.com/dlgrad/INTERPOS.
• Abstract（参考訳）: モバイルアプリ市場は指数関数的に拡大し、多様な機能を持つ何百万ものアプリを提供しているが、モバイルアプリレコメンデーションの研究は依然として限られている。 従来のシーケンシャルレコメンデータシステムは、ユーザの過去のインタラクションにおける項目の順序を利用して、ユーザの次の項目を予測する。 位置埋め込みは、自然言語処理タスクのためのトランスフォーマーベースのアーキテクチャでよく確立されており、シーケンス内のトークンの位置を効果的に区別する。 シーケンシャルレコメンデーションシステムでは、位置埋め込みはユーザの過去のインタラクションシーケンスにおけるアイテムの順序をキャプチャすることができる。 しかしながら、この順序付けは、同じユーザの2つの相互作用(例えば、1日、1週間、1ヶ月)の間に経過した時間を「ユーザリズム」とみなさない。 モバイルアプリのレコメンデーションデータセットでは、連続するユーザインタラクション間の時間は映画のような他のドメインと比較して明らかに長く、シーケンシャルなレコメンデーションシステムにとって大きな課題となっている。 モバイルアプリ領域におけるこの現象に対処するために,自動回帰型モバイルアプリレコメンデータシステムのためのインタラクションリズムガイド型位置モフリング戦略であるInterPOSを導入する。 InterPOSはリズム誘導位置埋め込みを取り入れており、相互作用の順序とそれらの間の時間的ギャップの両方を考慮に入れたより包括的な表現を提供する。 このアプローチは、ユーザのリズムをきめ細かいレベルで深く理解し、時間とともにインタラクションパターンの複雑さを捉えます。 本稿では,2つの変圧器型シーケンシャルレコメンデーションシステムアーキテクチャに形態的位置埋め込みを組み込むための3つの戦略を提案する。 NDCG@KとHIT@Kメトリクスの7つのモバイルアプリレコメンデーションデータセットを使用して、InterPOSが最先端モデルより優れていることを示す。 InterPOSのソースコードはhttps://github.com/dlgrad/INTERPOSで公開されている。

関連論文リスト

• Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
  クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。 近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。 マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
  論文  参考訳（メタデータ） (2024-11-22T15:29:05Z)
• EDGE-Rec: Efficient and Data-Guided Edge Diffusion For Recommender Systems Graphs [0.0]
  本稿では,ユーザとアイテムの機能だけでなく,リアルタイムなインタラクションの重み付けを生かした新しいアテンション機構を提案する。 我々は,ユーザ・イテム相互作用グラフの重み付き相互作用行列を反復的に復調するために,新しいグラフ拡散変換器GDiTアーキテクチャを訓練する。 テキスト条件付き画像生成の最近の進歩に触発されて,本手法は,従来の評価と同一スケールのユーザ・イテム評価を直接生成する。
  論文  参考訳（メタデータ） (2024-09-23T03:23:20Z)
• Our Model Achieves Excellent Performance on MovieLens: What Does it Mean? [43.3971105361606]
  我々は、MovieLensデータセットの綿密な分析を行う。 MovieLensプラットフォームと対話する場合、異なる段階でのユーザインタラクションには大きな違いがある。 そこで本研究では,MovieLensシステムで使用されるインタラクション生成機構と,一般的な実世界のレコメンデーションシナリオとの相違について論じる。
  論文  参考訳（メタデータ） (2023-07-19T13:44:32Z)
• Multi-Behavior Sequential Recommendation with Temporal Graph Transformer [66.10169268762014]
  マルチビヘイビア・インタラクティブなパターンを意識した動的ユーザ・イテム関係学習に取り組む。 本稿では,動的短期および長期のユーザ・イテム対話パターンを共同でキャプチャする,TGT(Temporal Graph Transformer)レコメンデーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-06T15:42:54Z)
• GIMIRec: Global Interaction Information Aware Multi-Interest Framework for Sequential Recommendation [5.416421678129053]
  本稿では,GIMIレコメンデーションのための多目的フレームワーク(Global Interaction Aware Multi-Interest Framework for Sequential Recommendation,GIMIRec)という新たなレコメンデーションモデルを提案する。 Recall、NDCG、Hit RateインジケータにおけるGIMIRecの性能は、最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-12-16T09:12:33Z)
• Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
  本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-08T09:44:00Z)
• Dynamic Graph Collaborative Filtering [64.87765663208927]
  動的レコメンデーションは,逐次データに基づくリアルタイム予測を提供するレコメンデータシステムにとって不可欠である。 本稿では、動的グラフを利用して協調関係とシーケンシャル関係をキャプチャする新しいフレームワーク、Dynamic Graph Collaborative Filtering (DGCF)を提案する。 提案手法は, 動的協調情報の統合の有効性を示すため, 動作繰り返しの少ないデータセットでは高い性能を実現する。
  論文  参考訳（メタデータ） (2021-01-08T04:16:24Z)
• Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
  我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。 我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。 私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
  論文  参考訳（メタデータ） (2020-05-19T10:18:43Z)

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。