Pareto Front Approximation for Multi-Objective Session-Based Recommender Systems

要約

この研究では、トランスフォーマー ニューラル ネットワークを使用して、パレート フロント近似技術を多目的セッションベースのレコメンダー システムに適応させるアプローチである MultiTRON を紹介します。
私たちのアプローチは、サンプリングされた嗜好ベクトルに基づいてトレーニングすることにより、クリックスルー率やコンバージョン率などの主要な指標間のトレードオフを最適化します。
大きな利点は、トレーニング後に単一のモデルがパレート フロント全体にアクセスできるため、目的に重みを付ける追加の入力ベクトルを調整することで、さまざまな関係者の特定の要件を満たすようにモデルを調整できることです。
私たちは、広範なオフラインおよびオンライン評価を通じてモデルのパフォーマンスを検証します。
より広範な応用と研究のために、ソース コードは https://github.com/otto-de/MultiTRON で入手できます。
その結果、このモデルが複数の推奨目標を効果的に管理し、多様なビジネス ニーズに柔軟なツールを提供できることが確認されました。

要約(オリジナル)

This work introduces MultiTRON, an approach that adapts Pareto front approximation techniques to multi-objective session-based recommender systems using a transformer neural network. Our approach optimizes trade-offs between key metrics such as click-through and conversion rates by training on sampled preference vectors. A significant advantage is that after training, a single model can access the entire Pareto front, allowing it to be tailored to meet the specific requirements of different stakeholders by adjusting an additional input vector that weights the objectives. We validate the model’s performance through extensive offline and online evaluation. For broader application and research, the source code is made available at https://github.com/otto-de/MultiTRON. The results confirm the model’s ability to manage multiple recommendation objectives effectively, offering a flexible tool for diverse business needs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google