ReSeq: 相互推薦のための新しい方法
ReSeqは、リアルタイムで変わるユーザーの好みに合わせてマッチングを改善するよ。
― 1 分で読む
相互推薦システムは、求職者と雇用主、または出会い系アプリの人々のように、2つの側面をマッチングするシステムだよ。これらのシステムは、両方のパーティーが何を望んでいるか、そしてそのニーズが時間とともにどう変化するかを理解する必要があるんだ。従来の推薦システムは主に1人のユーザーの好みに焦点を当てていて、人々の興味が変わりうるという事実を無視しているのが問題。この記事では、これらの変化を追跡し、両者のマッチングを改善するための新しい相互推薦の方法について話すよ。
既存システムの問題点
多くの既存の相互推薦システムは、固定されたユーザーの好みだけを考慮しているんだ。ユーザーが過去に何を好きだったかを見ているけど、行動や興味の変化を考慮していない。これは特に求職活動のような状況では問題で、求職者の基準が経験を積むにつれて進化するからね。
より良いマッチを作るためには、ユーザーの変わる好みを追跡して、それに基づいた推薦を作成することが大切だよ。これによって、両者の成果が改善されるんだ。
相互推薦の新しいアプローチ
提案された方法はReSeq（相互連続推薦）って呼ばれていて、相互推薦をユニークなマッチングタスクとして扱うことを目指しているよ。過去の好みに頼るだけじゃなく、ReSeqはリアルタイムで両方のユーザーの動的なインタラクションを理解するための細かいアプローチを使うんだ。
デュアル・パースペクティブ・マッチング
ReSeqは、アクティブユーザー（選択を希望している側）とパッシブユーザー（選ばれる側）という両方の視点から興味を捕捉することで機能するよ。このデュアルの視点によって、ReSeqはユーザーの好みをより深く理解できるんだ。
両方の側からの行動シーケンスを分析することで、ReSeqは潜在的なマッチをより良く予測できる。例えば、ある会社が採用活動をしていて、候補者が仕事を探しているとき、候補者のスキルだけでなく、雇用主が現在何を探しているかも考慮するんだ。
効率的な学習
ReSeqは自己蒸留というアイデアを取り入れて、効率を高めているよ。この技術は、詳細なインタラクションから重要な教訓を学びながら、時間とリソースを管理することを可能にするんだ。要するに、関連データに焦点を合わせてマッチングの予測を改善する仕組みなんだ。
ReSeqの仕組み
行動シーケンス：各ユーザーの時間にわたる行動を追跡して分析する。これには、求人情報の閲覧やプロフィールのスワイプなどが含まれるよ。
アクティブとパッシブの表現：各側について、モデルは2種類の表現を作成する。ユーザーが選択者として行動するときには、彼らの好みが強調され、逆に選ばれる側では彼らの特徴が示されるんだ。
細かいインタラクション：モデルは、マクロ（全体的な好み）とミクロ（特定のインタラクション）という2レベルのマッチングシステムを通じて、広範なトレンドと具体的な詳細の両方を捉える。
自己蒸留：このプロセスによって、モデルは詳細なインタラクションから学び、全体的な推薦能力を高めつつ、迅速なマッチングを実現できるんだ。
実験と検証
ReSeqの有効性を検証するために、5つのリアルワールドのデータセットでテストされたよ。一部はオンライン採用プラットフォームから、他は質問応答サイトからのものだった。
採用シナリオ
採用シナリオでは、使用されたデータセットには雇用主と求職者の両方が含まれていた。このモデルは、行動に基づいて特定の職務記述とよくマッチする候補者を正確に予測することを目指していたんだ。
質問応答シナリオ
質問応答側では、質問をするユーザーと答えるユーザーをつなげることを目指していたよ。過去のインタラクションを分析することで、ReSeqは最も関連性の高いマッチを見つけるんだ。
パフォーマンス結果
ReSeqを既存の方法と比較すると、結果はReSeqに明確な利点を示したよ。従来のモデルよりも常に優れた精度を達成して、提供する推薦がより良かったんだ。
これは、ユーザーの動的な関係や好みに焦点を当てることで、ReSeqがタイムリーで現在のニーズに合わせた推薦を提供できることを示している。
結論
ReSeqの開発は、相互推薦の領域において大きな前進を示しているよ。ユーザーの好みの変化を認識し、適応することで、2つのパーティーのより効果的で効率的なマッチングを提供するんだ。
このアプローチは、採用からソーシャルプラットフォームに至るまで、さまざまなアプリケーションに期待が持てるよ。今後の研究は、より多くのデータタイプの統合や、推薦プロセスのさらなる洗練に焦点を当てて、ユーザーの常に変わるニーズに応えられるようにしていく予定なんだ。
全体的に、ここで提示された進展は、時間とともにユーザーの動的な行動を考慮したより良い推薦を達成するための明確な道を提供しているよ。
タイトル: Reciprocal Sequential Recommendation
概要: Reciprocal recommender system (RRS), considering a two-way matching between two parties, has been widely applied in online platforms like online dating and recruitment. Existing RRS models mainly capture static user preferences, which have neglected the evolving user tastes and the dynamic matching relation between the two parties. Although dynamic user modeling has been well-studied in sequential recommender systems, existing solutions are developed in a user-oriented manner. Therefore, it is non-trivial to adapt sequential recommendation algorithms to reciprocal recommendation. In this paper, we formulate RRS as a distinctive sequence matching task, and further propose a new approach ReSeq for RRS, which is short for Reciprocal Sequential recommendation. To capture dual-perspective matching, we propose to learn fine-grained sequence similarities by co-attention mechanism across different time steps. Further, to improve the inference efficiency, we introduce the self-distillation technique to distill knowledge from the fine-grained matching module into the more efficient student module. In the deployment stage, only the efficient student module is used, greatly speeding up the similarity computation. Extensive experiments on five real-world datasets from two scenarios demonstrate the effectiveness and efficiency of the proposed method. Our code is available at https://github.com/RUCAIBox/ReSeq/.
著者: Bowen Zheng, Yupeng Hou, Wayne Xin Zhao, Yang Song, Hengshu Zhu
最終更新: 2023-06-26 00:00:00
言語: English
ソースURL: https://arxiv.org/abs/2306.14712
ソースPDF: https://arxiv.org/pdf/2306.14712
ライセンス: https://creativecommons.org/licenses/by/4.0/
変更点: この要約はAIの助けを借りて作成されており、不正確な場合があります。正確な情報については、ここにリンクされている元のソース文書を参照してください。
オープンアクセスの相互運用性を利用させていただいた arxiv に感謝します。