論文の概要: Attribute-aware Explainable Complementary Clothing Recommendation

• arxiv url: http://arxiv.org/abs/2107.01655v1
• Date: Sun, 4 Jul 2021 14:56:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-06 14:44:27.127611
• Title: Attribute-aware Explainable Complementary Clothing Recommendation
• Title（参考訳）: Attribute-aware Explainable Complementary Clothing Recommendation
• Authors: Yang Li, Tong Chen, Zi Huang
• Abstract要約: 本研究は、ファッションレコメンデーションにおける説明可能性の課題に、新しいファッションレコメンデーションレコメンダ(AFRec)を提案して取り組むことを目的とする。 AFRecレコメンダは、各アイテムの視覚的特徴から抽出された属性レベルの表現を明示的に活用することで、服の互換性を評価する。 属性は2つのファッションアイテム間のブリッジとして機能し、そこでは属性間の学習された互換性を通じて、一対のアイテムの親和性を定量化する。
• 参考スコア（独自算出の注目度）: 37.30129304097086
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modelling mix-and-match relationships among fashion items has become increasingly demanding yet challenging for modern E-commerce recommender systems. When performing clothes matching, most existing approaches leverage the latent visual features extracted from fashion item images for compatibility modelling, which lacks explainability of generated matching results and can hardly convince users of the recommendations. Though recent methods start to incorporate pre-defined attribute information (e.g., colour, style, length, etc.) for learning item representations and improving the model interpretability, their utilisation of attribute information is still mainly reserved for enhancing the learned item representations and generating explanations via post-processing. As a result, this creates a severe bottleneck when we are trying to advance the recommendation accuracy and generating fine-grained explanations since the explicit attributes have only loose connections to the actual recommendation process. This work aims to tackle the explainability challenge in fashion recommendation tasks by proposing a novel Attribute-aware Fashion Recommender (AFRec). Specifically, AFRec recommender assesses the outfit compatibility by explicitly leveraging the extracted attribute-level representations from each item's visual feature. The attributes serve as the bridge between two fashion items, where we quantify the affinity of a pair of items through the learned compatibility between their attributes. Extensive experiments have demonstrated that, by making full use of the explicit attributes in the recommendation process, AFRec is able to achieve state-of-the-art recommendation accuracy and generate intuitive explanations at the same time.
• Abstract（参考訳）: ファッションアイテム間のミックス・アンド・マッチ関係のモデル化は、現代のeコマースのレコメンデーションシステムではますます需要が高まっている。 衣料品マッチングを行う場合、既存のほとんどのアプローチでは、ファッションアイテム画像から抽出した潜在視覚的特徴を互換性モデリングに活用する。 最近の手法では事前に定義された属性情報(色、スタイル、長さなど)が取り入れられ始めている。 項目表現の学習とモデル解釈可能性の向上のために,属性情報の利用は,学習項目表現の強化と後処理による説明の生成に大きく依存している。 その結果、明示的な属性が実際のレコメンデーションプロセスにゆるい接続しか持たないため、レコメンデーションの精度を向上し、きめ細かい説明をしようとすると、これは深刻なボトルネックとなる。 本研究の目的は、ファッションレコメンデーションにおける説明可能性の課題に、新しいファッションレコメンデーションレコメンデーション(AFRec)を提案することである。 具体的には、afrec recommenderは各アイテムの視覚的特徴から抽出された属性レベルの表現を明示的に活用することにより、衣装の互換性を評価する。 属性は2つのファッションアイテム間のブリッジとして機能し、その属性間で学習した互換性を通じて、ペアのアイテムの親和性を定量化する。 広範な実験により、推奨プロセスで明示的な属性をフル活用することで、afrecは最先端の推奨精度を達成し、同時に直感的な説明を生成できることが示されている。

関連論文リスト

• Enhancing Attributed Graph Networks with Alignment and Uniformity Constraints for Session-based Recommendation [18.318271141864297]
  セッションベースの勧告(SBR)は、匿名セッションに基づいてユーザの次のアクションを予測する。 ほとんどのSBRモデルは、アイテム表現を学ぶために短いセッションでコンテキスト遷移に依存する。 本稿では,AttrGAUというモデルに依存しないフレームワークを提案し,既存の属性に依存しないモデルにアイテム属性のモデリングの優位性をもたらす。
  論文  参考訳（メタデータ） (2024-10-14T08:49:11Z)
• FineRec:Exploring Fine-grained Sequential Recommendation [28.27273649170967]
  本稿では,属性-選択対のレビューを精査し,逐次レコメンデーションを微妙に処理する新しいフレームワークを提案する。 各属性に対して、ユニークな属性固有のユーザ-オピニオン-イットグラフが作成され、対応する意見が異質なユーザノードとアイテムノードをリンクするエッジとして機能する。 本稿では,属性固有のユーザ/イテム表現をすべての属性にわたって統合し,レコメンデーションを生成するためのインタラクション駆動型融合機構を提案する。
  論文  参考訳（メタデータ） (2024-04-19T16:04:26Z)
• Proxy-based Item Representation for Attribute and Context-aware Recommendation [8.669754546617293]
  本稿では、各項目を学習可能なプロキシ埋め込みの重み付け和として表現できるプロキシベースのアイテム表現を提案する。 プロキシベースの手法は、アイテムの表現を構成的に計算し、各表現がよく訓練された単純体内に存在することを保証する。 提案手法は,任意のニューラルネットワークベースレコメンデーションモデルのアイテムエンコーディング層を置き換えることができるプラグアンドプレイモデルである。
  論文  参考訳（メタデータ） (2023-12-11T06:22:34Z)
• Exploring Fine-Grained Representation and Recomposition for Cloth-Changing Person Re-Identification [78.52704557647438]
  補助的なアノテーションやデータなしに両方の制約に対処するために,新しいFIne-fine Representation and Recomposition (FIRe$2$) フレームワークを提案する。 FIRe$2$は、広く使われている5つのRe-IDベンチマークで最先端のパフォーマンスを実現することができる。
  論文  参考訳（メタデータ） (2023-08-21T12:59:48Z)
• CARCA: Context and Attribute-Aware Next-Item Recommendation via Cross-Attention [7.573586022424399]
  推奨設定では、ユーザのコンテキストとアイテム属性が、次に推奨するアイテムを決定する上で重要な役割を果たす。 本研究では,ユーザプロファイルの動的特性を,コンテキスト特徴やアイテム属性の観点から捉えることができるコンテキスト・属性対応レコメンデータモデルを提案する。 4つの実世界のレコメンデータシステムデータセットの実験では、提案モデルがアイテムレコメンデーションのタスクにおいて、すべての最先端モデルを著しく上回っていることが示されている。
  論文  参考訳（メタデータ） (2022-04-04T13:22:28Z)
• Reinforcement Learning based Path Exploration for Sequential Explainable Recommendation [57.67616822888859]
  強化学習(TMER-RL)を活用した新しい時間的メタパスガイド型説明可能な勧告を提案する。 TMER-RLは, 動的知識グラフ上での動的ユーザ・イテム進化を逐次モデル化するために, 注意機構を持つ連続項目間の強化項目・イテムパスをモデル化する。 2つの実世界のデータセットに対するTMERの大規模な評価は、最近の強いベースラインと比較して最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2021-11-24T04:34:26Z)
• Joint Item Recommendation and Attribute Inference: An Adaptive Graph Convolutional Network Approach [61.2786065744784]
  レコメンデーションシステムでは、ユーザとアイテムは属性に関連付けられ、ユーザはアイテムの好みを表示する。 ユーザ(item)属性をアノテートすることは労働集約的なタスクであるため、属性値が欠落している多くの属性値と不完全であることが多い。 本稿では,共同項目推薦と属性推論のための適応グラフ畳み込みネットワーク(AGCN)アプローチを提案する。
  論文  参考訳（メタデータ） (2020-05-25T10:50:01Z)
• Seamlessly Unifying Attributes and Items: Conversational Recommendation for Cold-Start Users [111.28351584726092]
  コールドスタートユーザに対しては,属性を問うと同時に,ユーザに対して対話的に商品を推薦する,対話型レコメンデーションを提案する。 会話型トンプソンサンプリング(ConTS)モデルでは,最大報酬の腕を選択することで,対話型レコメンデーションにおけるすべての質問を一意に解決する。
  論文  参考訳（メタデータ） (2020-05-23T08:56:37Z)
• Fine-Grained Fashion Similarity Learning by Attribute-Specific Embedding Network [59.479783847922135]
  本稿では,複数の属性固有の埋め込みをエンドツーエンドで共同学習するAttribute-Specific Embedding Network (ASEN)を提案する。 ASENは関連する領域を特定し、指定された属性のガイダンスの下で必須のパターンをキャプチャすることができる。 4つのファッション関連データセットの実験は、ファッション類似性学習におけるASENの有効性を示している。
  論文  参考訳（メタデータ） (2020-02-07T14:42:26Z)

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。