TriSeRec: A Tri-view Representation Learning Framework for Sequential/Session-based Recommendation
Notice bibliographique
Résumé
Sequential/session-based recommendation models aim to learn evolving user preferences from historical user behaviors. State-of-the-art sequential/session-based recommendation models often use graph neural networks or self-attention as their building blocks. Graph neural networks excel at learning local patterns encoded in graph-structured data and have therefore shown great performance on session-based recommendation datasets, where user interactions are usually relatively short. Self-attentive models, on the other hand, are much more powerful in capturing long-range dependencies and are able to outperform graph neural network-based approaches on sequential recommendation, where longer user interactions are more frequent. As such, the recommender systems community has noted a lack of a unified framework that can simultaneously achieve great performance on both sequential and session-based recommendation. In an effort to fill this gap, this paper presents TriSeRec, a Tri-view representation learning framework for Sequential/session-based Recommendation. By converting interaction sequences into two graphical views and one sequential view, three view-specific user representations are learned by TriSeRec using graph neural networks and self-attention. The tri-view representation learning module, which is built upon the recently proposed generalized Cauchy-Schwarz divergence, disentangles and then fuses consistent and complementary information in all three views to form the final user representations for next-item predictions. Experiments on popular large-scale, real-world benchmark datasets show that TriSeRec achieves state-of-the-art performance on both sequential recommendation and session-based recommendation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».