MELT: Mutual Enhancement of Long-Tailed User and Item for Sequential Recommendation

要約

タイトル：MELT：シーケンシャル推薦における長尾のユーザーとアイテムの相互強化
要約：
– 長尾問題は、ユーザーとアイテムの両方に関して、シーケンシャル推薦システム（SRS）において長年の課題です。
– 多くの既存の研究は、SRSにおける長尾問題をユーザーまたはアイテムの観点に焦点を当てています。
– しかしながら、我々は長尾ユーザーとアイテムの問題が同時に存在することを発見し、どちらか一方にしか注目しないと、もう片方の最適なパフォーマンスを犠牲にすることになります。
– 本論文では、相互強化推薦（MELT）と呼ばれるSRSの新しいフレームワークを提案しています。MELTは、長尾ユーザーとアイテムの両方の観点で長尾問題を緩和するように設計されています。
– MELTは、長尾ユーザーとアイテムに対する双方向の枝から構成され、それぞれが役割を持ち、相互に強化しあうようにトレーニングされます。トレーニングには、カリキュラム学習ベースのトレーニングが有効です。
– MELTは、既存のSRSモデルとシームレスに統合できるモデルになっています。
– 8つのデータセット上での広範な実験により、長尾問題を緩和することが、ヘッドユーザーとアイテムのパフォーマンスを犠牲にすることなく、ユーザーとアイテムの両方にとって有益であることが示されました。
– MELTは、SRSにおいて長尾ユーザーとアイテムの問題を共に緩和する最初の研究であるとされます。

要約：
– 長尾問題はSRSにおける長年の課題
– 多くの既存研究はユーザーまたはアイテムの観点に焦点
– 長尾ユーザーとアイテムの問題が同時に存在することを発見
– 相互強化推薦（MELT）が提案され、長尾問題を両方の観点で緩和
– MELTは、長尾ユーザーとアイテムの双方向の枝から構成され、相互に強化し合うようにトレーニングされる
– MELTは、既存のSRSモデルとシームレスに統合できるモデルである
– 広範な実験により、長尾問題を緩和することが、ヘッドユーザーとアイテムのパフォーマンスを犠牲にすることなく、ユーザーとアイテムの両方にとって有益であることが示された
– MELTは、SRSにおいて長尾ユーザーとアイテムの問題を共に緩和する最初の研究であるとされます。

要約(オリジナル)

The long-tailed problem is a long-standing challenge in Sequential Recommender Systems (SRS) in which the problem exists in terms of both users and items. While many existing studies address the long-tailed problem in SRS, they only focus on either the user or item perspective. However, we discover that the long-tailed user and item problems exist at the same time, and considering only either one of them leads to sub-optimal performance of the other one. In this paper, we propose a novel framework for SRS, called Mutual Enhancement of Long-Tailed user and item (MELT), that jointly alleviates the long-tailed problem in the perspectives of both users and items. MELT consists of bilateral branches each of which is responsible for long-tailed users and items, respectively, and the branches are trained to mutually enhance each other, which is trained effectively by a curriculum learning-based training. MELT is model-agnostic in that it can be seamlessly integrated with existing SRS models. Extensive experiments on eight datasets demonstrate the benefit of alleviating the long-tailed problems in terms of both users and items even without sacrificing the performance of head users and items, which has not been achieved by existing methods. To the best of our knowledge, MELT is the first work that jointly alleviates the long-tailed user and item problems in SRS.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI