Fugu-MT 論文翻訳(概要): "Does it come in black?" CLIP-like models are zero-shot recommenders

論文の概要: "Does it come in black?" CLIP-like models are zero-shot recommenders

arxiv url: http://arxiv.org/abs/2204.02473v1
Date: Tue, 5 Apr 2022 20:15:23 GMT
ステータス: 処理完了
システム内更新日: 2022-04-07 14:55:47.166157
Title: "Does it come in black?" CLIP-like models are zero-shot recommenders
Title（参考訳）: 「黒色ですか?」 CLIPライクなモデルはゼロショットレコメンデーター
Authors: Patrick John Chia, Jacopo Tagliabue, Federico Bianchi, Ciro Greco, Diogo Goncalves
Abstract要約: 比較的な性質(例えば、"より暗いもの")の項目レコメンデーションを検討し、CLIPベースのモデルがこのユースケースをゼロショットでどのようにサポートできるかを示します。われわれはGradRECとその産業の可能性を紹介し、その強みと弱さを第一ラウンドで評価する。
参考スコア（独自算出の注目度）: 15.756916492766369
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Product discovery is a crucial component for online shopping. However, item-to-item recommendations today do not allow users to explore changes along selected dimensions: given a query item, can a model suggest something similar but in a different color? We consider item recommendations of the comparative nature (e.g. "something darker") and show how CLIP-based models can support this use case in a zero-shot manner. Leveraging a large model built for fashion, we introduce GradREC and its industry potential, and offer a first rounded assessment of its strength and weaknesses.
Abstract（参考訳）: 商品発見はオンラインショッピングの重要な要素である。しかし、今日では、項目から項目へのレコメンデーションでは、ユーザが選択したディメンデーションに沿って変更を探索することはできません。比較的な性質(例えば "より暗いもの" など)の項目レコメンデーションを検討し、CLIPベースのモデルがこのユースケースをゼロショットでサポートする方法を示している。ファッションのために構築された大きなモデルを活用して、GradRECとその業界ポテンシャルを導入し、その強みと弱さを第一ラウンドで評価します。

関連論文リスト

Exploring Fine-grained Retail Product Discrimination with Zero-shot Object Classification Using Vision-Language Models [50.370043676415875]
スマートリテールアプリケーションでは、多数の製品とその頻繁なターンオーバーは信頼性の高いゼロショットオブジェクト分類方法を必要とする。我々は28の異なる製品カテゴリからなるMIMEXデータセットを紹介した。我々は、提案したMIMEXデータセット上で、最先端ビジョン言語モデル(VLM)のゼロショットオブジェクト分類性能をベンチマークする。
論文参考訳（メタデータ） (2024-09-23T12:28:40Z)
Enabling Small Models for Zero-Shot Classification through Model Label Learning [50.68074833512999]
モデルと機能の間のギャップを埋める新しいパラダイムであるモデルラベル学習(MLL)を導入する。 7つの実世界のデータセットの実験により、MLLの有効性と効率が検証された。
論文参考訳（メタデータ） (2024-08-21T09:08:26Z)
Reusable Self-Attention-based Recommender System for Fashion [1.978884131103313]
再利用可能な注意に基づくファッション推薦アルゴリズム(AFRA)を提案する。時間的および文脈的な情報を活用して、短期および長期の顧客の嗜好に対処します。 1)個人別フィード、2)スタイル別レコメンデーション、3)類似アイテムレコメンデーション、4)最近の顧客行動にインスパイアされたインセッションレコメンデーション。
論文参考訳（メタデータ） (2022-11-29T16:47:20Z)
Utilizing Textual Reviews in Latent Factor Models for Recommender Systems [1.7361353199214251]
本稿では,テキストレビューに基づく評価モデリング手法とトピックモデリング手法を組み合わせたレコメンデーションアルゴリズムを提案する。サイズが異なるAmazon.comデータセットを用いてアルゴリズムの性能を評価し,23の製品カテゴリに対応する。
論文参考訳（メタデータ） (2021-11-16T15:07:51Z)
A Next Basket Recommendation Reality Check [48.29308926607474]
次のバスケットレコメンデーション(NBR)システムの目標は、以前のバスケットのシーケンスに基づいて、次のバスケットのアイテムをユーザに推奨することである。我々は,反復と探索の区別を中心に,次のバスケット推薦手法の評価について,新しい角度を提供する。 NBRモデルの繰り返し/爆発率と性能を測定する指標のセットを提案する。
論文参考訳（メタデータ） (2021-09-29T07:14:22Z)
Attribute-aware Explainable Complementary Clothing Recommendation [37.30129304097086]
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。
論文参考訳（メタデータ） (2021-07-04T14:56:07Z)
A Methodology for the Offline Evaluation of Recommender Systems in a User Interface with Multiple Carousels [7.8851236034886645]
ビデオオンデマンドおよび音楽ストリーミングサービスは、複数の推奨リストからなるページをユーザーに提供します。展示するカルーセルを選択するための効率的な戦略を見つけることは、大きな産業的関心の活発な研究課題である。本論文では, カルーセル設定のオフライン評価プロトコルを提案し, モデルの推奨品質を, すでに利用可能なカルーセルのセットでどれだけ改善するかによって測定する。
論文参考訳（メタデータ） (2021-05-13T13:14:59Z)
PreSizE: Predicting Size in E-Commerce using Transformers [76.33790223551074]
PreSizEは、Transformerを使って正確なサイズ予測を行う新しいディープラーニングフレームワークである。我々は,PreSizEが従来の最先端のベースラインよりも優れた予測性能を実現できることを示した。概念実証として、PreSizEによるサイズ予測が、既存の生産推奨システムに統合できることを実証しています。
論文参考訳（メタデータ） (2021-05-04T15:23:59Z)
CRACT: Cascaded Regression-Align-Classification for Robust Visual Tracking [97.84109669027225]
改良された提案改良モジュールCascaded Regression-Align- Classification (CRAC)を導入する。 CRACは多くのベンチマークで最先端のパフォーマンスを得る。 OTB-2015、UAV123、NfS、VOT-2018、TrackingNet、GOT-10k、LaSOTを含む7つのベンチマークの実験において、我々のCRACTは最先端の競合他社と比較して非常に有望な結果を示している。
論文参考訳（メタデータ） (2020-11-25T02:18:33Z)
A Black-Box Attack Model for Visually-Aware Recommender Systems [7.226144684379191]
視覚認識レコメンデータシステム(RS)は近年,研究の関心が高まっている。本研究では,外部ソースに依存したRSを攻撃に対して脆弱にすることができることを示す。ブラックボックスアプローチでは,新たなビジュアルアタックモデルがアイテムのスコアやランキングに効果的に影響を及ぼすことを示す。
論文参考訳（メタデータ） (2020-11-05T08:43:12Z)
Learning Diverse Fashion Collocation by Neural Graph Filtering [78.9188246136867]
本稿では,グラフニューラルネットワークを用いて,フレキシブルなファッションアイテムセットをモデル化する新しいファッションコロケーションフレームワークであるNeural Graph Filteringを提案する。エッジベクトルに対称演算を適用することにより、このフレームワークは様々な入力/出力を許容し、それらの順序に不変である。提案手法を,Polyvoreデータセット,Polyvore-Dデータセット,Amazon Fashionデータセットの3つの一般的なベンチマークで評価した。
論文参考訳（メタデータ） (2020-03-11T16:17:08Z)

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。