Core Concepts
個別化されたネガティブリザーバーを使用した増分学習フレームワークの提案
Abstract
オンラインプラットフォームにおける推薦システムは重要であり、大規模なデータと新しいユーザーインタラクションが増加しています。本研究では、従来のトリプレット損失に対する個別化されたネガティブリザーバー戦略を提案しました。この戦略は、忘却を軽減しつつ、安定したユーザー嗜好を記憶し、柔軟性を持って新しい嗜好を学ぶことを促進します。具体的な実装により、このアプローチは標準的な評価メトリックで最先端の結果を達成しました。
Stats
モデル更新時の平均改善率: 13.4%
標準的なトップK評価メトリックでの平均改善率: 9.4%
大規模な推薦システムデータセットでの改善率: 6.7%
Quotes
"This technique balances alleviation of forgetting with plasticity by encouraging the model to remember stable user preferences and selectively forget when user interests change."
"Our designed negative reservoir achieves state-of-the-art performance in standard benchmarks, on multiple standard top-k evaluation metrics."