Latent User Intent Modeling for Sequential Recommenders

要約

シーケンシャル レコメンダー モデルは、最新の産業用レコメンダー システムに不可欠なコンポーネントです。
これらのモデルは、プラットフォームでのユーザーの操作履歴に基づいて、ユーザーが次に操作する可能性が高いアイテムを予測することを学習します。
しかし、シーケンシャル レコメンダーのほとんどは、ユーザーの意図をより高度に理解していないため、ユーザーの行動をオンラインに誘導することがよくあります。
したがって、意図モデリングは、ユーザーを理解し、長期的なユーザー エクスペリエンスを最適化するために重要です。
確率論的モデリング アプローチを提案し、ユーザーの意図を潜在変数として定式化します。潜在変数は、変分オートエンコーダー (VAE) を使用してユーザーの行動信号に基づいて推測されます。
次に、推論されたユーザーの意図に応じて、レコメンデーション ポリシーが調整されます。
オフライン分析と大規模な産業レコメンデーション プラットフォームでのライブ実験により、潜在的なユーザー インテント モデリングの有効性を実証します。

要約(オリジナル)

Sequential recommender models are essential components of modern industrial recommender systems. These models learn to predict the next items a user is likely to interact with based on his/her interaction history on the platform. Most sequential recommenders however lack a higher-level understanding of user intents, which often drive user behaviors online. Intent modeling is thus critical for understanding users and optimizing long-term user experience. We propose a probabilistic modeling approach and formulate user intent as latent variables, which are inferred based on user behavior signals using variational autoencoders (VAE). The recommendation policy is then adjusted accordingly given the inferred user intent. We demonstrate the effectiveness of the latent user intent modeling via offline analyses as well as live experiments on a large-scale industrial recommendation platform.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google