일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | |||
5 | 6 | 7 | 8 | 9 | 10 | 11 |
12 | 13 | 14 | 15 | 16 | 17 | 18 |
19 | 20 | 21 | 22 | 23 | 24 | 25 |
26 | 27 | 28 | 29 | 30 | 31 |
- 머신러닝
- Recommendation System
- graph
- 그래프 임베딩
- collaborative filtering
- PinSAGE
- DIF-SR
- Sequential Recommendation System
- BERT4Rec
- SASrec
- SBERT
- 아마존 추천시스템
- side information
- 딥러닝
- 문장임베딩
- sentence BERT
- Multi-Modal
- Recommender System
- Sequential Recommendation
- UltrGCN
- 시계열 추천시스템
- sentence embedding
- multi modal recommendation
- 시퀀셜 추천시스템
- GCN
- LightGCN
- VATT
- Graph Embedding
- graph recommendation
- 추천시스템
- Today
- Total
목록Sequential Recommendation (2)
AI 공부 기록 블로그
본 논문은 Transformers를 기반으로 한 시퀀셜 추천시스템에 입력 데이터와 연관된 side information을 모두 분해해 모델 입력으로 사용하여 side information의 효과를 입증하였습니다. 현재는 arXive에 preprint되었으며, 2022 SIGIR conference에 Accept 되었습니다. 논문 리뷰는 제가 이해한 내용을 바탕으로 정리하였으며, 잘못된 내용이 있을 경우 지적해주시면 감사하겠습니다 :) 1. Introduction 먼저 시퀀셜 추천시스템의 목적은 사용자의 행동 패턴(구매 이력)을 바탕으로 이후에 구매할 아이템을 예측하는 문제입니다. 기존 시퀀셜 추천 모델은 CNN, RNN 등을 사용해서 행동 패턴을 파악했다면, 2017년 NLP 분야에서 트랜스포머 모델이 ..
본 논문은 2018년 'IEEE International Conference on Data Mining (ICDM)'에서 발표되었으며, 추천시스템에 Sequential을 고려하기 위해 Self-Attention 방법의 사용을 제안하였습니다. 해당 방법을 통해 사용자의 마지막 행동을 통해 예측하는 Markov Chains(MCs)와 장기적 정보를 통해 예측하는 RNN의 균형을 이루었습니다. 논문의 리뷰는 저의 주관적인 해석과 오역이 있을 수 있습니다. 이에 대해서 댓글 남겨주시면 감사하겠습니다 :) 1. INTRODUCTION Sequential 추천시스템은 사용자의 행동에 대한 맥락을 고려하여 새로운 제품을 추천합니다. 하지만 사용자의 과거 행동들은 기하급수적으로 증가하기 때문에 맥락을 포착하는 데 어려..