Похоже, на RecSys 2026 у меня собирается очень насыщенная программа! У нас приняли ещё одну статью — на этот раз на новый Research & Practice (R&P) трек.
📌 Do Sequential Recommendation Benchmarks Really Require Higher-Order Sequence Modelling?
👥 Соавторы: Praveen Chandar, Paul N. Bennett, Hugues Bouchard, Mounia Lalmas
В этой статье мы задались простым вопросом: сейчас в sequential recommendation принято строить всё более сложные Transformer-архитектуры для захвата контекстных связей. Но действительно ли популярным бенчмаркам нужна вся эта мощь?
Чтобы проверить это, мы взяли простые статистические модели (в статье мы называем их capacity probes) — Sequential Rules (SeqRules) и нашу новую модель Probabilistic Collaborative Transition Model (PCTM). Они учитывают фактор свежести (recency) и парные переходы между итемами, но принципиально не умеют строить репрезентации последовательностей высшего порядка.
Отдельное спасибо Даше (канал https://t.me/redrecsys) за открытый код eSASRec и опубликованные сплиты — благодаря этому мы смогли сбенчмаркаться максимально честно и воспроизводимо! 🤝 Если вы вдруг еще не подписаны на её канал, очень советую — там регулярно выходит отличный контент про рекомендательные системы.
Что у нас получилось:
• В сравнении с eSASRec хотя бы одна из наших простых моделей обгоняет её на 15–38% на трех датасетах Amazon и на 4.4% на MovieLens-1M.
• Ещё на четырёх датасетах наши модели превосходят SASRec (с sampled-softmax) на 9–28%. • Единственный датасет из изученных, где eSASRec удержал преимущество — это ML-20M. Мы не утверждаем, что ML-20M — идеальный датасет, но факт остается фактом: для большинства остальных ходовых бенчмарков сложные модели просто не нужны, так как основной сигнал там сводится к парным переходам и recency.
Мы предлагаем использовать такие простые модели как обязательный sanity check — чтобы честно проверять, за счет чего именно новая архитектура получает прирост.
В итоге на конференции намечается плотная программа:
🔹 Две статьи (на Industry и R&P треках)
🔹 Туториал
🔹 Организация двух воркшопов
🔹 И мы все еще ждем результаты по нескольким воркшопным статьям🤞
Если планируете быть на RecSys в этом году — обязательно пишите в личку или комментарии, буду очень рад развиртуализироваться и пообщаться!
📌 Do Sequential Recommendation Benchmarks Really Require Higher-Order Sequence Modelling?
👥 Соавторы: Praveen Chandar, Paul N. Bennett, Hugues Bouchard, Mounia Lalmas
В этой статье мы задались простым вопросом: сейчас в sequential recommendation принято строить всё более сложные Transformer-архитектуры для захвата контекстных связей. Но действительно ли популярным бенчмаркам нужна вся эта мощь?
Чтобы проверить это, мы взяли простые статистические модели (в статье мы называем их capacity probes) — Sequential Rules (SeqRules) и нашу новую модель Probabilistic Collaborative Transition Model (PCTM). Они учитывают фактор свежести (recency) и парные переходы между итемами, но принципиально не умеют строить репрезентации последовательностей высшего порядка.
Отдельное спасибо Даше (канал https://t.me/redrecsys) за открытый код eSASRec и опубликованные сплиты — благодаря этому мы смогли сбенчмаркаться максимально честно и воспроизводимо! 🤝 Если вы вдруг еще не подписаны на её канал, очень советую — там регулярно выходит отличный контент про рекомендательные системы.
Что у нас получилось:
• В сравнении с eSASRec хотя бы одна из наших простых моделей обгоняет её на 15–38% на трех датасетах Amazon и на 4.4% на MovieLens-1M.
• Ещё на четырёх датасетах наши модели превосходят SASRec (с sampled-softmax) на 9–28%. • Единственный датасет из изученных, где eSASRec удержал преимущество — это ML-20M. Мы не утверждаем, что ML-20M — идеальный датасет, но факт остается фактом: для большинства остальных ходовых бенчмарков сложные модели просто не нужны, так как основной сигнал там сводится к парным переходам и recency.
Мы предлагаем использовать такие простые модели как обязательный sanity check — чтобы честно проверять, за счет чего именно новая архитектура получает прирост.
В итоге на конференции намечается плотная программа:
🔹 Две статьи (на Industry и R&P треках)
🔹 Туториал
🔹 Организация двух воркшопов
🔹 И мы все еще ждем результаты по нескольким воркшопным статьям🤞
Если планируете быть на RecSys в этом году — обязательно пишите в личку или комментарии, буду очень рад развиртуализироваться и пообщаться!