Integrating Item Relevance in Training Loss for Sequential Recommender Systems

要約

シーケンシャル レコメンダー システム (SRS) は、ユーザーの履歴から学習して、ユーザーが次に操作する可能性のあるアイテムを予測する、一般的なタイプのレコメンダー システムです。
ただし、ユーザーの操作は、アカウントの共有、一貫性のない設定、または誤ったクリックから生じるノイズの影響を受ける可能性があります。
この問題に対処するために、(i) 複数の将来項目を考慮に入れる新しい評価プロトコルを提案し、(ii) 複数の将来項目で SRS をトレーニングしてノイズに対してより堅牢にする新しい関連性を認識した損失関数を導入します。
当社の関連性認識モデルでは、従来の評価プロトコルでは NDCG@10 の最大 1.2%、および 0.88% の改善が得られましたが、新しい評価プロトコルでは、改善は NDCG@10 の最大 1.63%、および HR の最大 1.5% でした。
最高のパフォーマンスを発揮するモデル。

要約(オリジナル)

Sequential Recommender Systems (SRSs) are a popular type of recommender system that learns from a user’s history to predict the next item they are likely to interact with. However, user interactions can be affected by noise stemming from account sharing, inconsistent preferences, or accidental clicks. To address this issue, we (i) propose a new evaluation protocol that takes multiple future items into account and (ii) introduce a novel relevance-aware loss function to train a SRS with multiple future items to make it more robust to noise. Our relevance-aware models obtain an improvement of ~1.2% of NDCG@10 and 0.88% in the traditional evaluation protocol, while in the new evaluation protocol, the improvement is ~1.63% of NDCG@10 and ~1.5% of HR w.r.t the best performing models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google