論文の概要: What Users Want? WARHOL: A Generative Model for Recommendation

• arxiv url: http://arxiv.org/abs/2109.01093v1
• Date: Thu, 2 Sep 2021 17:15:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-03 13:42:42.054292
• Title: What Users Want? WARHOL: A Generative Model for Recommendation
• Title（参考訳）: ユーザーは何が欲しいか? warhol:レコメンデーションのための生成モデル
• Authors: Jules Samaran, Ugo Tanielian, Romain Beaumont, Flavian Vasile
• Abstract要約: 既存のレコメンデーションモデルは、ターゲットのオーディエンスのニーズをより良くするために、新しい機能の最適な組み合わせを予測するために直接使うことはできない、と私たちは主張する。 ユーザショッピング活動の入力となる製品生成・レコメンデーションアーキテクチャであるWARHOLを開発した。 我々は、WARHOLが、与えられたユーザプロファイルに関連する全く新しい製品を生成すると同時に、最先端のレコメンデーションモデルの性能にアプローチできることを示します。
• 参考スコア（独自算出の注目度）: 9.195173526948125
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current recommendation approaches help online merchants predict, for each visiting user, which subset of their existing products is the most relevant. However, besides being interested in matching users with existing products, merchants are also interested in understanding their users' underlying preferences. This could indeed help them produce or acquire better matching products in the future. We argue that existing recommendation models cannot directly be used to predict the optimal combination of features that will make new products serve better the needs of the target audience. To tackle this, we turn to generative models, which allow us to learn explicitly distributions over product feature combinations both in text and visual space. We develop WARHOL, a product generation and recommendation architecture that takes as input past user shopping activity and generates relevant textual and visual descriptions of novel products. We show that WARHOL can approach the performance of state-of-the-art recommendation models, while being able to generate entirely new products that are relevant to the given user profiles.
• Abstract（参考訳）: 現在のレコメンデーションアプローチは、訪問するユーザーごとに、既存の製品のどのサブセットが最も関連があるかを予測するのに役立つ。 しかし、利用者と既存製品とのマッチングに関心があるだけでなく、利用者の嗜好を理解することにも興味がある。 これは、将来、より良いマッチング製品を生産したり、買収したりするのに役立ちます。 我々は、既存のレコメンデーションモデルは、新しい製品がターゲットのオーディエンスのニーズをより良くするであろう機能の最適な組み合わせを予測するために直接使用できないと主張している。 これに対処するために、生成モデルに目を向け、テキストと視覚空間の両方で製品機能の組み合わせよりも明示的に分布を学習できる。 我々は,ユーザショッピング活動の入力として利用し,新規製品のテキストおよび視覚的記述を生成する製品生成・レコメンデーションアーキテクチャであるWARHOLを開発した。 我々は、WARHOLが、与えられたユーザプロファイルに関連する全く新しい製品を生成すると同時に、最先端のレコメンデーションモデルの性能にアプローチできることを示します。

関連論文リスト

• Learning to Ask: Conversational Product Search via Representation Learning [34.689904564411506]
  本研究では,対話型商品検索モデルであるConvPSを提案する。 このモデルはまず、ユーザ、クエリ、アイテム、会話のセマンティック表現を共同で学習するように訓練されている。 提案したConvPSモデルは,ユーザ,クエリ,アイテム,会話の表現学習を統合された生成フレームワークに統合することができる。
  論文  参考訳（メタデータ） (2024-11-18T14:05:43Z)
• Multi-modal Generative Models in Recommendation System [34.45328907249946]
  多くのレコメンデーションシステムは、ユーザ入力をテキスト文字列やクリックや購入などの行動信号に制限する。 生成AIの出現により、ユーザーはより豊富なレベルのインタラクションを期待するようになった。 今後のレコメンデーションシステムは、製品に対するマルチモーダルな理解の恩恵を受けるだろう、と我々は主張する。
  論文  参考訳（メタデータ） (2024-09-17T08:55:50Z)
• Interactive Garment Recommendation with User in the Loop [77.35411131350833]
  我々は,服を作るために補完的なアイテムを推奨するので,ユーザ反応を統合することでユーザプロファイルをその場で構築することを提案する。 本稿では,適切な衣服を提案し,ユーザのフィードバックを取り入れて推薦を改善することができる強化学習エージェントを提案する。
  論文  参考訳（メタデータ） (2024-02-18T16:01:28Z)
• Modeling User Viewing Flow Using Large Language Models for Article Recommendation [25.28855982917921]
  本稿では,記事推薦作業のためのユーザビューイングフローモデリング(SINGLE)手法を提案する。 まず,ユーザの関心を要約して記事の推薦を行うために,ユーザ定数ビューフローモデリング手法を用いる。 次に,ユーザクリック記事履歴と候補記事とのインタラクションを構築するために,ユーザ・インスタント・ビューング・フロー・モデリング手法を設計する。
  論文  参考訳（メタデータ） (2023-11-12T15:32:57Z)
• Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
  逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。 しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。 したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
  論文  参考訳（メタデータ） (2022-11-17T19:00:24Z)
• PURS: Personalized Unexpected Recommender System for Improving User Satisfaction [76.98616102965023]
  本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。 3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-06-05T01:33:21Z)
• A Survey on Neural Recommendation: From Collaborative Filtering to Content and Context Enriched Recommendation [70.69134448863483]
  レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。 近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
  論文  参考訳（メタデータ） (2021-04-27T08:03:52Z)
• Dual Side Deep Context-aware Modulation for Social Recommendation [50.59008227281762]
  社会的関係と協調関係をモデル化する新しいグラフニューラルネットワークを提案する。 高次関係の上に、友人の情報とアイテムのアトラクションを捉えるために、双方向のコンテキスト認識変調を導入する。
  論文  参考訳（メタデータ） (2021-03-16T11:08:30Z)
• User-Inspired Posterior Network for Recommendation Reason Generation [53.035224183349385]
  推奨理由生成は、顧客の関心を惹きつけ、ユーザーエクスペリエンスを向上させる上で重要な役割を果たします。 ユーザインスパイアされたマルチソース後部トランス(MSPT)を提案し,ユーザの興味を反映したモデルを誘導する。 実験の結果,本モデルは従来の生成モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-02-16T02:08:52Z)
• Exploration-Exploitation Motivated Variational Auto-Encoder for Recommender Systems [1.52292571922932]
  協調フィルタリングにおいて,エクスプロビテーション探索型変分自動エンコーダ(XploVAE)を導入する。 パーソナライズされたレコメンデーションを容易にするために、観測されたユーザとイテムのインタラクションを1次にキャプチャする、ユーザ固有のサブグラフを構築した。 階層的潜在空間モデルを用いて、各ユーザに対するパーソナライズされたアイテム埋め込みと、全ユーザサブグラフの人口分布を学習する。
  論文  参考訳（メタデータ） (2020-06-05T17:37:46Z)

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。