連続時間空間における自己変調注意の学習と逐次推薦への応用【JST・京大機械翻訳】

Chen Chao; Geng Haoyu; Yang Nianzu; Yan Junchi; Xue Daiyue; Yu Jianping; Yang Xiaokang

プレプリント

J-GLOBAL ID：202202213698195329 整理番号：22P0331805

連続時間空間における自己変調注意の学習と逐次推薦への応用【JST・京大機械翻訳】

Learning Self-Modulating Attention in Continuous Time Space with Applications to Sequential Recommendation

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (7件)： , , , , , ,
資料名：
発行年： 2022年03月29日プレプリントサーバーでの情報更新日： 2022年03月29日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

ユーザ興味は通常実世界で動的であり,豊富な行動データから正確な選好を学習するための理論的および実用的な課題の両方をもたらす。既存のユーザ行動モデリングソリューションの中で,注意ネットワークはその有効性と相対的単純さのために広く採用されている。広く研究されているにもかかわらず,既存の注意は,2つの制限に悩まされている:i)従来の注意は,連続時間空間におけるそれらの行動間の距離にかかわらず,ユーザ行動間の空間的相関を主に考慮している;そして,ii)これらの注意は,すべての過去の行動に対して,高密度で不明確な分布を提供し,次に,それらを出力潜在表現にエンコードする。しかし,これは,ユーザの将来行動が,彼/彼の歴史的行動の小さい部分集合に関連する実際のシナリオでは適していない。本論文では,複雑で非線形に発展する動的ユーザ選好をモデル化する,自己変調注意と呼ばれる新しい注意ネットワークを提案した。トップN逐次推薦タスクに対する提案手法の有効性を実験的に実証し,3つの大規模実世界データセットに関する結果は,著者らのモデルが最先端の性能を達成できることを示した。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , 【Automatic Indexing@JST】

その他の情報処理 , 人間機械系 , 応用心理学

, , , , , ,

前のページに戻る