論文の概要: Zero-Shot Recommender Systems

• arxiv url: http://arxiv.org/abs/2105.08318v1
• Date: Tue, 18 May 2021 07:17:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-19 14:11:57.071286
• Title: Zero-Shot Recommender Systems
• Title（参考訳）: ゼロショットレコメンダシステム
• Authors: Hao Ding, Yifei Ma, Anoop Deoras, Yuyang Wang, Hao Wang
• Abstract要約: 我々は、ZESRec(ZEro-Shot Recommenders)と呼ばれるアルゴリズムを開発し、古いデータセットに基づいてトレーニングし、新しいデータセットに一般化する。 ユーザに関しては、ZESRecはシーケンシャルRSの最近の進歩に基づいて、アイテムとのインタラクションを使用してユーザを表現する。 2組の現実世界のRSデータセットを調査し、ZESRecがそのようなゼロショット設定でレコメンデーションを有効にできることを実証します。
• 参考スコア（独自算出の注目度）: 17.30915687549977
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Performance of recommender systems (RS) relies heavily on the amount of training data available. This poses a chicken-and-egg problem for early-stage products, whose amount of data, in turn, relies on the performance of their RS. On the other hand, zero-shot learning promises some degree of generalization from an old dataset to an entirely new dataset. In this paper, we explore the possibility of zero-shot learning in RS. We develop an algorithm, dubbed ZEro-Shot Recommenders (ZESRec), that is trained on an old dataset and generalize to a new one where there are neither overlapping users nor overlapping items, a setting that contrasts typical cross-domain RS that has either overlapping users or items. Different from categorical item indices, i.e., item ID, in previous methods, ZESRec uses items' natural-language descriptions (or description embeddings) as their continuous indices, and therefore naturally generalize to any unseen items. In terms of users, ZESRec builds upon recent advances on sequential RS to represent users using their interactions with items, thereby generalizing to unseen users as well. We study two pairs of real-world RS datasets and demonstrate that ZESRec can successfully enable recommendations in such a zero-shot setting, opening up new opportunities for resolving the chicken-and-egg problem for data-scarce startups or early-stage products.
• Abstract（参考訳）: 推薦システム(RS)の性能は、利用可能なトレーニングデータの量に大きく依存する。 これはアーリーステージの製品にニワトリの問題を生じさせ、そのデータ量は彼らのRSの性能に依存する。 一方、ゼロショット学習は、古いデータセットから全く新しいデータセットへのある程度の一般化を約束する。 本稿では,RSにおけるゼロショット学習の可能性を検討する。 我々は、ZESRecと呼ばれるアルゴリズムを開発し、古いデータセットでトレーニングし、重複するユーザも重複するアイテムも存在しない新しいデータセットに一般化する。 カテゴリー的な項目インデックス、すなわち項目idとは異なり、zesrecは項目の自然言語記述(または記述埋め込み)を連続的なインデックスとして使用するため、自然に見えない項目に一般化する。 ユーザの観点からは、zesrecはアイテムとのインタラクションを使用してユーザを表現するためにシーケンシャルなrsの最近の進歩をベースにしている。 2組の現実世界のRSデータセットを調査し、ZESRecがこのようなゼロショット設定でレコメンデーションをうまく実現できることを示し、データスカーススタートアップやアーリーステージ製品におけるチキンとエッグの問題を解決する新たな機会を開く。

関連論文リスト

• SimRec: Mitigating the Cold-Start Problem in Sequential Recommendation by Integrating Item Similarity [3.5297361401370044]
  SimRecはシーケンシャルレコメンデーションシステムにおけるコールドスタート問題を緩和するための新しいアプローチである。 カスタマイズされた損失関数を通じて、アイテムの類似性をトレーニングプロセスに組み込む。 SimRecはSASRecに比べて最大78%高いHR@10を達成する。
  論文  参考訳（メタデータ） (2024-10-29T15:32:36Z)
• Beyond Retrieval: Generating Narratives in Conversational Recommender Systems [4.912663905306209]
  本稿では,会話レコメンデーションにおける自然言語生成タスクのための新しいデータセット(REGEN)を提案する。 我々は、よく知られた生成指標を用いてベンチマークを作成し、レーダLEMを用いて新しいデータセットの自動評価を行う。 そして、私たちの知る限りでは、レコメンデーター信号を理解し、リッチな物語を生成することにおけるLLMの能力を分析する最初の試みである。
  論文  参考訳（メタデータ） (2024-10-22T07:53:41Z)
• Large Language Model Empowered Embedding Generator for Sequential Recommendation [57.49045064294086]
  大言語モデル(LLM)は、その人気に関係なく、項目間の意味的関係を理解する能力を持つ。 LLMEmbは、LCMを利用してアイテム埋め込みを作成し、シークエンシャル・レコメンダ・システムの性能を高める革新的な技術である。
  論文  参考訳（メタデータ） (2024-09-30T03:59:06Z)
• LLM-ESR: Large Language Models Enhancement for Long-tailed Sequential Recommendation [58.04939553630209]
  現実世界のシステムでは、ほとんどのユーザーはほんの一握りのアイテムしか扱わないが、ほとんどのアイテムは滅多に消費されない。 これら2つの課題は、ロングテールユーザーとロングテールアイテムの課題として知られ、しばしば既存のシークエンシャルレコメンデーションシステムに困難をもたらす。 本稿では,これらの課題に対処するため,Large Language Models Enhancement framework for Sequential Recommendation (LLM-ESR)を提案する。
  論文  参考訳（メタデータ） (2024-05-31T07:24:42Z)
• Conversational Recommendation as Retrieval: A Simple, Strong Baseline [4.737923227003888]
  会話レコメンデーションシステム(CRS)は,自然言語会話を通じて適切な項目をユーザに推薦することを目的としている。 ほとんどのCRSアプローチは、これらの会話によって提供されるシグナルを効果的に利用しない。 CRS項目推薦タスクに対して、代替情報検索(IR)スタイルのアプローチを提案する。
  論文  参考訳（メタデータ） (2023-05-23T06:21:31Z)
• FELRec: Efficient Handling of Item Cold-Start With Dynamic Representation Learning in Recommender Systems [0.0]
  本稿では、ユーザとアイテムの既存の表現を洗練する大規模な埋め込みネットワークであるFELRecを紹介する。 類似のアプローチとは対照的に、我々のモデルはサイド情報や時間を要する微調整を伴わない新しいユーザやアイテムを表現している。 提案したモデルは、ゼロショット設定でこれまで見られなかったデータセットをうまく一般化する。
  論文  参考訳（メタデータ） (2022-10-30T19:08:38Z)
• Incorporating Relevance Feedback for Information-Seeking Retrieval using Few-Shot Document Re-Ranking [56.80065604034095]
  我々は,クエリとユーザが関連すると考えるドキュメントとの類似性に基づいて,文書を再参照するkNNアプローチを提案する。 異なる統合戦略を評価するため、既存の4つの情報検索データセットを関連フィードバックシナリオに変換する。
  論文  参考訳（メタデータ） (2022-10-19T16:19:37Z)
• Generating Negative Samples for Sequential Recommendation [83.60655196391855]
  逐次レコメンデーション(SR)のための負のサンプル(イテム)を生成することを提案する。 アイテムに対する現在のSRモデルの学習されたユーザの好みに基づいて、各タイムステップで負の項目をサンプリングする。 4つの公開データセットの実験は、SRに高品質な負のサンプルを提供することの重要性を検証する。
  論文  参考訳（メタデータ） (2022-08-07T05:44:13Z)
• Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
  コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。 MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
  論文  参考訳（メタデータ） (2021-10-18T08:11:24Z)
• Learning Complex Users' Preferences for Recommender Systems [0.5076419064097734]
  この論文は一般的なRSの性能向上に焦点を当てている。 既存の一般的なRSのほとんどは、類似したユーザーを検出するために、一般的なアイテムのユーザーの評価パターンを利用する傾向にある。 本研究では,その性格特性の類似性に基づいて,類似したユーザを識別するパーソナリティベースのRSを提案する。
  論文  参考訳（メタデータ） (2021-07-04T03:25:15Z)
• Leveraging Historical Interaction Data for Improving Conversational Recommender System [105.90963882850265]
  アイテムと属性に基づく嗜好シーケンスを統合するための,新しい事前学習手法を提案する。 実世界の2つのデータセットの実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-19T03:43:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。