Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
ATZ-Fachkongress

Chassis.tech plus 2024


4 Kongresse in einer Veranstaltung

Treffen Sie in München die Fachleute von Chassis, Lenkung, Bremsen sowie Reifen/Räder.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Improving BERT-based Query-by-Document Retrieval with Multi-task Optimization Kapitel lesen Erstes Kapitel lesen

2022 | OriginalPaper | Buchkapitel

Recommender Systems: When Memory Matters

verfasst von : Aleksandra Burashnikova, Marianne Clausel, Massih-Reza Amini, Yury Maximov, Nicolas Dante

Erschienen in: Advances in Information Retrieval

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In this paper, we study the effect of non-stationarities and memory in the learnability of a sequential recommender system that exploits user’s implicit feedback. We propose an algorithm, where model parameters are updated user per user by minimizing a ranking loss over blocks of items constituted by a sequence of unclicked items followed by a clicked one. We illustrate through empirical evaluations on four large-scale benchmarks that removing non-stationarities, through an empirical estimation of the memory properties, in user’s behaviour interactions allows to gain in performance with respect to MAP and NDCG.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel A Light-Weight Strategy for Restraining Gender Biases in Neural Rankers
Nächstes Kapitel Groupwise Query Performance Prediction with BERT
Fußnoten
2
The source code will be made available for research purpose.
 
Literatur
1.
Boutahar, M., Marimoutou, V., Nouira, L.: Estimation methods of the long memory parameter: Monte Carlo analysis and application. J. Appl. Stat. 34(3), 261–301 (2007)MathSciNetCrossRefMATH
2.
Brillinger, D.R.: Time series: data analysis and theory. In: SIAM (2001)
3.
Burashnikova, A., Maximov, Y., Clausel, M., Laclau, C., Iutzeler, F., Amini, M.-R.: Learning over no-preferred and preferred sequence of items for robust recommendation. J. Artif. Intell. Res. 71, 121–142 (2021)MathSciNetCrossRefMATH
4.
Donkers, T., Loepp, B., Ziegler, J.: Sequential user-based recurrent neural network recommendations. In: Proceedings of the Eleventh ACM Conference on Recommender Systems, pp. 152–160 (2017)
5.
Fang, H., Zhang, D., Shu, Y., Guo, G.: Deep learning for sequential recommendation: algorithms, influential factors, and evaluations. ACM Trans. Inf. Syst. 39(1), 1–42 (2020)
6.
Geweke, J., Porter-Hudak, S.: The estimation and application of long memory time series models. J. Time Ser. Anal. 4(4), 221–238 (1983)MathSciNetCrossRefMATH
7.
Harper, F.M., Konstan, J.A.: The movielens datasets: history and context. ACM Trans. Interact. Intell. Syst. 5(4), 1–19 (2015)CrossRef
8.
Hidasi, B., Karatzoglou, A.: Recurrent neural networks with top-k gains for session-based recommendations. In: ACM International Conference on Information and Knowledge Management, pp. 843–852 (2018)
9.
Hu, Y., Koren, Y., Volinsky, C.: Collaborative filtering for implicit feedback datasets. In: International Conference on Data Mining, pp. 263–272 (2008)
10.
Rendle, S., Freudenthaler, C., Gantner, Z., Schmidt-Thieme, L.: BPR: Bayesian personalized ranking from implicit feedback. In: Proceedings of the Conference on Uncertainty in Artificial Intelligence, pp. 452–461 (2009)
11.
Sidana, S., Laclau, C., Amini, M.: Learning to recommend diverse items over implicit feedback on PANDOR. In: Proceedings of the 12th ACM Conference on Recommender Systems, pp. 427–431 (2018)
12.
Sidana, S., Laclau, C., Amini, M., Vandelle, G., Bois-Crettez, A.: KASANDR: a large-scale dataset with implicit feedback for recommendation. In: Proceedings of the International ACM SIGIR Conference on Research and Development in Information Retrieval, pp. 1245–1248 (2017)
13.
Tang, J., Wang, K.: Personalized top-N sequential recommendation via convolutional sequence embedding. In: Proceedings of the ACM International Conference on Web Search and Data Mining, pp. 565–573 (2018)
14.
Zhang, S., Yao, L., Sun, A., Tay, Y.: Deep learning based recommender system: a survey and new perspectives. ACM Comput. Surv. 52(1), 1–38 (2019)CrossRef
Metadaten
Titel
Recommender Systems: When Memory Matters
verfasst von
Aleksandra Burashnikova
Marianne Clausel
Massih-Reza Amini
Yury Maximov
Nicolas Dante
Copyright-Jahr
2022
Buch
Advances in Information Retrieval

Print ISBN: 978-3-030-99738-0

Electronic ISBN: 978-3-030-99739-7

Copyright-Jahr: 2022

DOI
https://doi.org/10.1007/978-3-030-99739-7_7

Neuer Inhalt

    Bildnachweise