Key points are not available for this paper at this time.
자기 주의 신경망(SAN)은 순차 추천 시스템에 집중적으로 적용되어 왔으나, 다음과 같은 제한점이 있습니다: (1) 자기 주의의 이차 복잡성과 과도한 매개변수 문제에 취약함; (2) 암묵적인 위치 인코딩으로 인한 항목 간 순차적 관계 모델링의 부정확성. 본 연구에서는 이러한 문제를 극복하기 위해 저차원 분해 자기 주의 신경망(LightSAN)을 제안합니다. 특히, 사용자의 과거 항목을 소량의 일정한 잠재 관심사로 투사하고, 항목-관심사 상호작용을 활용하여 문맥 인식 표현을 생성하는 저차원 분해 자기 주의를 도입합니다. 이는 시간 및 공간 복잡도가 사용자의 과거 시퀀스 길이에 대해 선형적으로 확장되며, 과도한 매개변수 문제에 더 강건합니다. 또한, 항목 간 순차 관계를 보다 정확히 모델링하는 분리형 위치 인코딩을 설계하였습니다. 세 가지 실제 데이터셋에서 광범위한 실험을 수행한 결과, LightSAN이 기존 SAN 기반 추천 시스템보다 효과성과 효율성에서 우수함을 입증하였습니다.
Building similarity graph...
Analyzing shared references across papers
Loading...
Xinyan Fan
Zheng Liu
Jianxun Lian
Microsoft Research Asia (China)
Renmin University of China
Building similarity graph...
Analyzing shared references across papers
Loading...
Fan 등(Sun,)은 이 질문을 연구하였습니다.
www.synapsesocial.com/papers/69dab64daae38ff6ad8360dc — DOI: https://doi.org/10.1145/3404835.3462978
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: