Die Studie untersucht die Leistungsfähigkeit von transformerbasierten sequenziellen Empfehlungssystemen (TSR) und stellt fest, dass die von der Selbstaufmerksamkeit erlernten Aufmerksamkeitsgewichte oft nicht die entscheidenden Elemente in der Sequenz identifizieren. Dies führt zu ungenauen Empfehlungen.
Um dieses Problem zu lösen, schlagen die Autoren das AC-TSR-Modell vor, das zwei Kalibratoren enthält:
Räumlicher Kalibrator (SPC): Dieser Kalibrator integriert räumliche Informationen wie Reihenfolge und Abstand direkt in die Aufmerksamkeitsgewichte, um präzisere Beziehungen zwischen den Elementen zu erfassen.
Adversarieller Kalibrator (ADC): Dieser Kalibrator identifiziert die entscheidenden Elemente in der Sequenz und passt die Verteilung der Aufmerksamkeitsgewichte entsprechend an, um die Robustheit gegenüber verrauschten Eingaben zu erhöhen.
Die Experimente auf vier Benchmark-Datensätzen zeigen, dass AC-TSR die Leistung verschiedener transformerbasierter Empfehlungsmodelle signifikant verbessern kann, ohne den Modellkomplexität stark zu erhöhen.
In un'altra lingua
dal contenuto originale
arxiv.org
Approfondimenti chiave tratti da
by Peilin Zhou,... alle arxiv.org 03-19-2024
https://arxiv.org/pdf/2308.09419.pdfDomande più approfondite