論文の概要: Discrete-event Tensor Factorization: Learning a Smooth Embedding for Continuous Domains
- arxiv url: http://arxiv.org/abs/2508.04221v1
- Date: Wed, 06 Aug 2025 08:54:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-07 20:09:22.640961
- Title: Discrete-event Tensor Factorization: Learning a Smooth Embedding for Continuous Domains
- Title（参考訳）: 離散的なテンソル因子化:継続的ドメインのためのスムーズな埋め込みを学ぶ
- Authors: Joey De Pauw, Bart Goethals,
- Abstract要約: 本稿では、因子化スタイルのレコメンデーションモデルにおいて、時間がどのように符号化されるかを分析する。
機能として絶対時間を含めることで、私たちのモデルはさまざまなユーザの好みを学習し、時間とともにアイテムの知覚を変化させることができます。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recommender systems learn from past user behavior to predict future user preferences. Intuitively, it has been established that the most recent interactions are more indicative of future preferences than older interactions. Many recommendation algorithms use this notion to either drop older interactions or to assign them a lower weight, so the model can focus on the more informative, recent information. However, very few approaches model the flow of time explicitly. This paper analyzes how time can be encoded in factorization-style recommendation models. By including absolute time as a feature, our models can learn varying user preferences and changing item perception over time. In addition to simple binning approaches, we also propose a novel, fully continuous time encoding mechanism. Through the use of a polynomial fit inside the loss function, our models completely avoid the need for discretization, and they are able to capture the time dimension in arbitrary resolution. We perform a comparative study on three real-world datasets that span multiple years, where long user histories are present, and items stay relevant for a longer time. Empirical results show that, by explicitly modeling time, our models are very effective at capturing temporal signals, such as varying item popularities over time. Despite this however, our experiments also indicate that a simple post-hoc popularity adjustment is often sufficient to achieve the best performance on the unseen test set. This teaches us that, for the recommendation task, predicting the future is more important than capturing past trends. As such, we argue that specialized mechanisms are needed for extrapolation to future data.
- Abstract（参考訳）: 推薦システムは過去のユーザの振る舞いから学習し、将来のユーザの好みを予測する。
直感的には、直近の相互作用は、古い相互作用よりも将来の好みの表れであることが確立されている。
多くのレコメンデーションアルゴリズムは、この概念を使って古いインタラクションを落とすか、より低いウェイトを割り当てる。
しかし、時間の流れを明示的にモデル化するアプローチはほとんどない。
本稿では、因子化スタイルのレコメンデーションモデルにおいて、時間がどのように符号化されるかを分析する。
機能として絶対時間を含めることで、私たちのモデルはさまざまなユーザの好みを学習し、時間とともにアイテムの知覚を変化させることができます。
単純なバイナリ化手法に加えて,新しい完全連続時間符号化機構も提案する。
損失関数の内部に多項式が収まることによって、我々のモデルは離散化の必要性を完全に回避し、任意の解像度で時間次元を捉えることができる。
複数年にわたる3つの実世界のデータセットの比較研究を行い、長いユーザ履歴があり、アイテムは長い期間関連付けられています。
実験結果から, 時間的モデル化により, 時間的変動などの時間的信号の収集に極めて有効であることが示唆された。
しかし,これにもかかわらず,本実験は,単純なポストホックの人気調整が,目に見えないテストセット上での最高の性能を達成するのに十分であることを示す。
これは、レコメンデーションタスクでは、過去のトレンドを捉えるよりも未来を予測することが重要であることを教えてくれます。
そのため、将来のデータへの外挿には特殊なメカニズムが必要であると論じる。
関連論文リスト
- Measuring the stability and plasticity of recommender systems [0.4551615447454769]
本稿では,レコメンデーションモデルが再訓練されたときにどのように振る舞うかを研究する方法論を提案する。
その考え方は、過去のパターンを保持する能力に応じてアルゴリズムをプロファイリングすることだ。
予備的な結果は,アルゴリズムの手法によって安定性と可塑性のプロファイルが異なることを示している。
論文 参考訳（メタデータ） (2025-08-05T22:15:43Z) - 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) - Sequential Recommendation on Temporal Proximities with Contrastive
Learning and Self-Attention [3.7182810519704095]
逐次リコメンデータシステムは、過去のインタラクションからユーザの好みを識別し、後続の項目を最適に予測する。
最近のモデルでは、類似の時間枠中に暗黙的に発生するユーザの行動の類似性を無視することが多い。
本稿では,時間的近接性を考慮したコントラスト学習と自己認識手法を含む,TemProxRecという逐次レコメンデーションモデルを提案する。
論文 参考訳（メタデータ） (2024-02-15T08:33:16Z) - Contrastive Difference Predictive Coding [79.74052624853303]
本研究では、時系列データの断片を縫合して、将来の事象の予測を学習するために必要なデータの量を減少させるコントラッシブ予測符号化の時間差版を導入する。
目的条件付きRLの非政治アルゴリズムを導出するために,この表現学習手法を適用した。
論文 参考訳（メタデータ） (2023-10-31T03:16:32Z) - OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive
Learning [67.07363529640784]
提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。
我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。
リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
論文 参考訳（メタデータ） (2023-06-20T03:02:14Z) - Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。
AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。
誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
論文 参考訳（メタデータ） (2022-09-22T04:32:51Z) - VQ-AR: Vector Quantized Autoregressive Probabilistic Time Series
Forecasting [10.605719154114354]
時系列モデルは過去の予測を正確に予測することを目的としており、そこではビジネス上の意思決定のような重要な下流のタスクに予測が使用される。
本稿では,新しい自己回帰型アーキテクチャであるVQ-ARを提案する。
論文 参考訳（メタデータ） (2022-05-31T15:43:46Z) - Perceptual Score: What Data Modalities Does Your Model Perceive? [73.75255606437808]
モデルが入力特徴の異なる部分集合に依存する度合いを評価する指標である知覚スコアを導入する。
近年,視覚的質問応答に対するマルチモーダルモデルでは,前者よりも視覚的データを知覚しにくい傾向がみられた。
知覚スコアを使用することで、スコアをデータサブセットのコントリビューションに分解することで、モデルのバイアスを分析することもできる。
論文 参考訳（メタデータ） (2021-10-27T12:19:56Z) - Learning Dual Dynamic Representations on Time-Sliced User-Item
Interaction Graphs for Sequential Recommendation [62.30552176649873]
シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。
両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。
モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
論文 参考訳（メタデータ） (2021-09-24T07:44:27Z) - MEANTIME: Mixture of Attention Mechanisms with Multi-temporal Embeddings
for Sequential Recommendation [12.386304516106854]
自己注意に基づくモデルは、シーケンシャルなレコメンデーションタスクで最先端のパフォーマンスを達成した。
これらのモデルは、ユーザの履歴のシーケンシャルな性質を活用するために、単純な位置埋め込みに依存している。
本稿では,ユーザの行動系列から様々なパターンを捉えるために,複数の時間的埋め込みを用いたMEANTIMEを提案する。
論文 参考訳（メタデータ） (2020-08-19T05:32:14Z) - Ambiguity in Sequential Data: Predicting Uncertain Futures with
Recurrent Models [110.82452096672182]
逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。
また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
論文 参考訳（メタデータ） (2020-03-10T09:15:42Z)
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。