UniRec: A Dual Enhancement of Uniformity and Frequency in Sequential Recommendations

要約

逐次レコメンデーションにおける表現学習は、ユーザー インタラクション パターンを正確にモデル化し、レコメンデーションの精度を向上させるために重要です。
しかし、既存のアプローチは主にアイテムからアイテムへの移行を強調しており、行動パターンの変化と密接に関係するインタラクション間の時間間隔を無視することがよくあります。
さらに、アイテムの頻度など、より広範なインタラクション属性が見落とされることがよくあります。
より均一な時間間隔を持つシーケンスとより高い頻度のアイテムの両方が、より良い予測パフォーマンスをもたらすことがわかりました。
逆に、不均一なシーケンスはユーザーの関心のドリフトを悪化させ、頻度の低いアイテムはサンプリングがまばらであるためモデル化が困難であり、現在の方法では十分に対処できない特有の課題が生じます。
本稿では、新しい双方向強化逐次推薦方式 UniRec を提案する。
UniRec はシーケンスの均一性と項目の頻度を活用してパフォーマンスを向上させ、特に不均一なシーケンスと頻度の低い項目の表現を改善します。
これら 2 つのブランチは相互に強化し、複雑な逐次レコメンデーション シナリオにおける包括的なパフォーマンスの最適化を推進します。
さらに、適応性をさらに高めるために多次元時間モジュールを提供します。
私たちの知る限りでは、UniRec は均一性と周波数の特性を特徴拡張に利用した最初の方法です。
4 つのデータセットにわたる 11 の高度なモデルと比較すると、UniRec が SOTA モデルを大幅に上回るパフォーマンスを示しています。
コードは https://github.com/Linxi000/UniRec で入手できます。

要約(オリジナル)

Representation learning in sequential recommendation is critical for accurately modeling user interaction patterns and improving recommendation precision. However, existing approaches predominantly emphasize item-to-item transitions, often neglecting the time intervals between interactions, which are closely related to behavior pattern changes. Additionally, broader interaction attributes, such as item frequency, are frequently overlooked. We found that both sequences with more uniform time intervals and items with higher frequency yield better prediction performance. Conversely, non-uniform sequences exacerbate user interest drift and less-frequent items are difficult to model due to sparse sampling, presenting unique challenges inadequately addressed by current methods. In this paper, we propose UniRec, a novel bidirectional enhancement sequential recommendation method. UniRec leverages sequence uniformity and item frequency to enhance performance, particularly improving the representation of non-uniform sequences and less-frequent items. These two branches mutually reinforce each other, driving comprehensive performance optimization in complex sequential recommendation scenarios. Additionally, we present a multidimensional time module to further enhance adaptability. To the best of our knowledge, UniRec is the first method to utilize the characteristics of uniformity and frequency for feature augmentation. Comparing with eleven advanced models across four datasets, we demonstrate that UniRec outperforms SOTA models significantly. The code is available at https://github.com/Linxi000/UniRec.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google