Pacer and Runner: Cooperative Learning Framework between Single- and Cross-Domain Sequential Recommendation

要約

Cross-Domain Sequential Recommendation (CDSR) は、複数のドメインからの情報を利用することで推奨パフォーマンスを向上させます。これは、特定のドメイン内の履歴インタラクションに依存する Single-Domain Sequential Recommendation (SDSR) とは対照的です。
ただし、CDSR は、ドメイン間の関係が欠如している場合や、異なるレベルのデータ スパース性がある場合に発生する負の転送により、特定のドメインでは SDSR アプローチと比較してパフォーマンスが低下する可能性があります。
負の伝達の問題に対処するために、私たちが提案する CDSR モデルは、各ドメインの負の伝達の程度を推定し、それを重み係数として予測損失に適応的に割り当て、負の伝達が顕著なドメインを通る勾配流を制御します。
この目的を達成するために、私たちのモデルは、複数のドメインでトレーニングされたモデル (CDSR) と特定のドメインのみでトレーニングされたモデル (SDSR) のパフォーマンスを比較し、非対称協調ネットワークを使用して各ドメインの負の転送を評価します。
さらに、SDSR タスクと CDSR タスクの間で貴重なキューの転送を容易にするために、ドメインごとに両方のタスクからの表現ペア間の相互情報を最大化する補助損失を開発しました。
SDSR タスクと CDSR タスクの間のこの協力的な学習は、マラソンにおけるペーサーとランナーの間の協力的なダイナミクスに似ています。
私たちのモデルは、10 のサービス ドメインにわたる 2 つの現実世界の産業データセットに対する広範な実験で、これまでの数多くの研究を上回りました。
また、パーソナル アシスタント アプリ サービスのレコメンデーション システムにもモデルを導入した結果、既存のモデルと比較してクリックスルー率が 21.4% 増加し、現実のビジネスにとって価値があります。

要約(オリジナル)

Cross-Domain Sequential Recommendation (CDSR) improves recommendation performance by utilizing information from multiple domains, which contrasts with Single-Domain Sequential Recommendation (SDSR) that relies on a historical interaction within a specific domain. However, CDSR may underperform compared to the SDSR approach in certain domains due to negative transfer, which occurs when there is a lack of relation between domains or different levels of data sparsity. To address the issue of negative transfer, our proposed CDSR model estimates the degree of negative transfer of each domain and adaptively assigns it as a weight factor to the prediction loss, to control gradient flows through domains with significant negative transfer. To this end, our model compares the performance of a model trained on multiple domains (CDSR) with a model trained solely on the specific domain (SDSR) to evaluate the negative transfer of each domain using our asymmetric cooperative network. In addition, to facilitate the transfer of valuable cues between the SDSR and CDSR tasks, we developed an auxiliary loss that maximizes the mutual information between the representation pairs from both tasks on a per-domain basis. This cooperative learning between SDSR and CDSR tasks is similar to the collaborative dynamics between pacers and runners in a marathon. Our model outperformed numerous previous works in extensive experiments on two real-world industrial datasets across ten service domains. We also have deployed our model in the recommendation system of our personal assistant app service, resulting in 21.4% increase in click-through rate compared to existing models, which is valuable to real-world business.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google