論文の概要: A Systematic Replicability and Comparative Study of BSARec and SASRec for Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2506.14692v1
• Date: Tue, 17 Jun 2025 16:29:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-18 17:34:59.572622
• Title: A Systematic Replicability and Comparative Study of BSARec and SASRec for Sequential Recommendation
• Title（参考訳）: シーケンシャルレコメンデーションのためのBSARecとSASRecの体系的レプリケーション性と比較研究
• Authors: Chiara D'Ercoli, Giulia Di Teodoro, Federico Siciliano,
• Abstract要約: 本研究の目的は、自己認識に基づくシーケンスレコメンデーション(SASRec)と自己認識に基づくシーケンスレコメンデーション(BSARec)の2つのシーケンシャルレコメンデーションシステムを比較することである。 その結果、周波数強調のバイアス項を含むBSARecは、実際にSASRecより優れていることが示された。
• 参考スコア（独自算出の注目度）: 0.9509625131289426
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study aims at comparing two sequential recommender systems: Self-Attention based Sequential Recommendation (SASRec), and Beyond Self-Attention based Sequential Recommendation (BSARec) in order to check the improvement frequency enhancement - the added element in BSARec - has on recommendations. The models in the study, have been re-implemented with a common base-structure from EasyRec, with the aim of obtaining a fair and reproducible comparison. The results obtained displayed how BSARec, by including bias terms for frequency enhancement, does indeed outperform SASRec, although the increases in performance obtained, are not as high as those presented by the authors. This work aims at offering an overview on existing methods, and most importantly at underlying the importance of implementation details for performance comparison.
• Abstract（参考訳）: 本研究の目的は,BSARecの付加要素である改善頻度の増大をチェックするために,自己認識に基づくシーケンスレコメンデーション(SASRec)と,自己認識に基づくシーケンスレコメンデーション(BSARec)の2つのシーケンシャルレコメンデーションシステムを比較することである。 研究のモデルは、公正で再現可能な比較を得るために、EasyRecから共通の基盤構造で再実装されている。 その結果, 周波数強調のためのバイアス項を含むBSARecが, SASRecより優れていることがわかった。 この作業は、既存のメソッドの概要を提供することを目標とし、そして最も重要なことは、パフォーマンス比較のための実装の詳細の重要性の根底にある。

関連論文リスト

• REARANK: Reasoning Re-ranking Agent via Reinforcement Learning [69.8397511935806]
  本稿では,大規模言語モデル(LLM)に基づくリストワイズ推論エージェントREARANKを提案する。 REARANKは、リランク前の明確な理由と、パフォーマンスと解釈性の両方を大幅に改善した。
  論文  参考訳（メタデータ） (2025-05-26T14:31:48Z)
• Benchmarking LLMs in Recommendation Tasks: A Comparative Evaluation with Conventional Recommenders [27.273217543282215]
  本稿では、クリックスルーレート予測(CTR)とシーケンシャルレコメンデーション(SeqRec)という2つの主要なレコメンデーションタスクを評価するRecBenchを紹介する。 実験は最大17種類の大モデルを対象としており、ファッション、ニュース、ビデオ、書籍、音楽ドメインの5つの多様なデータセットで実施されている。 以上の結果から,LCMベースのレコメンデータは従来のレコメンデータよりも優れ,CTRシナリオでは最大5%のAUC改善,SeqRecシナリオでは最大170%のNDCG@10改善を実現した。
  論文  参考訳（メタデータ） (2025-03-07T15:05:23Z)
• SAFERec: Self-Attention and Frequency Enriched Model for Next Basket Recommendation [41.94295877935867]
  BERT4RecやSASRecのようなトランスフォーマーベースのアプローチは、Next Item Recommendation (NIR)タスクで強いパフォーマンスを示す。 これらのアーキテクチャをNext-Basket Recommendation (NBR)タスクに適用することは、バスケットに膨大な数のアイテムの組み合わせがあるため、難しい。 本稿では, アイテム周波数情報による変換器アーキテクチャをNIRから拡張する, NBRの新しいアルゴリズムであるSAFERecを紹介する。
  論文  参考訳（メタデータ） (2024-12-18T20:10:42Z)
• Revisiting BPR: A Replicability Study of a Common Recommender System Baseline [78.00363373925758]
  我々は,BPRモデルの特徴を考察し,その性能への影響を示し,オープンソースのBPR実装について検討する。 分析の結果,これらの実装とオリジナルのBPR論文の矛盾が明らかとなり,特定の実装に対して最大50%の性能低下がみられた。 BPRモデルは、トップnのレコメンデーションタスクにおける最先端メソッドに近いパフォーマンスレベルを達成でき、特定のデータセット上でもパフォーマンスが向上することを示す。
  論文  参考訳（メタデータ） (2024-09-21T18:39:53Z)
• A Reproducible Analysis of Sequential Recommender Systems [13.987953631479662]
  SequentialEnsurer Systems (SRS) はレコメンデーションシステムに対する高度に効率的なアプローチとして登場した。 既存の作品では、結果の複製性の欠点が示されており、論文間の矛盾した記述につながっている。 当社の作業は、データ前処理とモデル実装の標準化によって、これらのギャップを埋めます。
  論文  参考訳（メタデータ） (2024-08-07T16:23:29Z)
• REBAR: Retrieval-Based Reconstruction for Time-series Contrastive Learning [64.08293076551601]
  正の対を識別する学習尺度を新たに提案する。 検索ベースレコンストラクションは2つのシーケンス間の類似度を測定する。 本稿では,REBAR誤差が相互クラスメンバシップの予測因子であることを示す。
  論文  参考訳（メタデータ） (2023-11-01T13:44:45Z)
• Supervised Advantage Actor-Critic for Recommender Systems [76.7066594130961]
  本稿では、RL成分を学習するための負のサンプリング戦略を提案し、それを教師付き逐次学習と組み合わせる。 サンプル化された(負の)作用 (items) に基づいて、平均ケース上での正の作用の「アドバンテージ」を計算することができる。 SNQNとSA2Cを4つのシーケンシャルレコメンデーションモデルでインスタンス化し、2つの実世界のデータセットで実験を行う。
  論文  参考訳（メタデータ） (2021-11-05T12:51:15Z)
• Open-Set Recognition: A Good Closed-Set Classifier is All You Need [146.6814176602689]
  分類器が「ゼロ・オブ・ア・ア・ア・ベ」決定を行う能力は、閉集合クラスにおける精度と高い相関関係があることが示される。 この相関を利用して、閉セット精度を向上させることにより、クロスエントロピーOSR'ベースライン'の性能を向上させる。 また、セマンティックノベルティを検出するタスクをより尊重する新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2021-10-12T17:58:59Z)
• SPLADE v2: Sparse Lexical and Expansion Model for Information Retrieval [11.38022203865326]
  SPLADEモデルは、最先端の高密度かつスパースなアプローチに関して、高度にスパースな表現と競争結果を提供する。 我々は、プール機構を変更し、文書拡張のみに基づいてモデルをベンチマークし、蒸留で訓練されたモデルを導入する。 全体として、SPLADEはTREC DL 2019のNDCG@10で9ドル以上のゲインで大幅に改善され、BEIRベンチマークで最先端の結果が得られた。
  論文  参考訳（メタデータ） (2021-09-21T10:43:42Z)

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。