Core Concepts
Die Verwendung von wiederholtem Padding als Datenvergrößerungsmethode verbessert die Leistung von sequenziellen Empfehlungsmodellen signifikant.
Abstract
Die Autoren untersuchen die Verwendung von wiederholtem Padding als Datenvergrößerungsmethode für sequenzielle Empfehlungen.
Es wird gezeigt, dass diese Methode die Leistung von Empfehlungsmodellen auf kurzen Sequenzdatensätzen verbessert.
Die Methode kann jedoch auf langen Sequenzdatensätzen weniger effektiv sein.
Experimente und Vergleiche mit anderen Datenvergrößerungsmethoden werden durchgeführt.
Stats
Die durchschnittliche Verbesserung der Empfehlungsleistung beträgt bis zu 60,3% bei GRU4Rec und 24,3% bei SASRec.
Quotes
"Können wir diesen ungenutzten Eingabebereich vollständig nutzen, um die Leistung des Modells und die Effizienz des Trainings weiter zu verbessern?"