Core Concepts
Das Ziel ist es, die Auswirkungen von zufälligen Aktionen auf die Optimierung von Empfehlungsmodellen durch die Nutzung stabilerer statistischer Informationen zu reduzieren.
Abstract
Die Studie untersucht den Einfluss von zufälligen Aktionen in Benutzersequenzen auf die Optimierung von sequenziellen Empfehlungsmodellen. Um dieses Problem anzugehen, wird ein statistikbasiertes Vortrainingsframework (STDP) vorgeschlagen.
STDP nutzt zwei Arten von statistischen Informationen: die Häufigkeit der Itemkookkurrenz über die Sequenzen hinweg und die Häufigkeit der Attribute innerhalb der Sequenzen. Basierend darauf werden drei Vortrainingsaufgaben entwickelt:
Vorhersage kookkurrierender Items (CIP): Das Modell soll neben dem nächsten Item auch seine am häufigsten kookkurrierenden Items vorhersagen, um seine Aufmerksamkeit auf mehrere geeignete Ziele zu verteilen.
Ähnlichkeit gepaarter Sequenzen (PSS): Teile der originalen Sequenz werden durch ihre kookkurrierenden Items ersetzt, um die Robustheit des Modells gegenüber Rauschen zu erhöhen.
Vorhersage häufiger Attribute (FAP): Das Modell soll basierend auf den sequenziellen Merkmalen die häufigsten Attribute vorhersagen, um die stabilen Langzeitpräferenzen der Nutzer zu erfassen.
Die Experimente auf sechs Datensätzen zeigen, dass STDP die Leistung des Basismodells SASRec signifikant verbessert und den bisherigen Stand der Technik übertrifft. Weitere Analysen belegen die Verallgemeinerbarkeit des Ansatzes auf andere Empfehlungsmodelle.
Stats
Die Sequenzlänge ist auf 50 Elemente begrenzt und die Minibatchgröße beträgt 256.
Quotes
Keine relevanten Zitate gefunden.