論文の概要: TransRec: Learning Transferable Recommendation from Mixture-of-Modality Feedback

• arxiv url: http://arxiv.org/abs/2206.06190v3
• Date: Sat, 20 Sep 2025 06:41:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 17:14:31.329418
• Title: TransRec: Learning Transferable Recommendation from Mixture-of-Modality Feedback
• Title（参考訳）: TransRec:Mixture-of-Modalityのフィードバックからトランスファー可能なレコメンデーションを学習する
• Authors: Jie Wang, Fajie Yuan, Mingyue Cheng, Joemon M. Jose, Chenyun Yu, Beibei Kong, Zhijin Wang, Bo Hu, Zang Li,
• Abstract要約: 本稿では,一般的なIDベースのレコメンデータシステム(RS)フレームワークを改良したTransRecを提案する。 TransRecは、エンドツーエンドのトレーニング方法で、MoMアイテムの生の特徴から直接学習する。 この結果から,MoMフィードバックからニューラルレコメンデーションモデルを学ぶことは,ユニバーサルRSを実現する上で有望な方法であることが示唆された。
• 参考スコア（独自算出の注目度）: 19.78472406958724
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning large-scale pre-trained models on broad-ranging data and then transfer to a wide range of target tasks has become the de facto paradigm in many machine learning (ML) communities. Such big models are not only strong performers in practice but also offer a promising way to break out of the task-specific modeling restrictions, thereby enabling task-agnostic and unified ML systems. However, such a popular paradigm is mainly unexplored by the recommender systems (RS) community. A critical issue is that standard recommendation models are primarily built on categorical identity features. That is, the users and the interacted items are represented by their unique IDs, which are generally not shareable across different systems or platforms. To pursue the transferable recommendations, we propose studying pre-trained RS models in a novel scenario where a user's interaction feedback involves a mixture-of-modality (MoM) items, e.g., text and images. We then present TransRec, a very simple modification made on the popular ID-based RS framework. TransRec learns directly from the raw features of the MoM items in an end-to-end training manner and thus enables effective transfer learning under various scenarios without relying on overlapped users or items. We empirically study the transferring ability of TransRec across four different real-world recommendation settings. Besides, we look at its effects by scaling source and target data size. Our results suggest that learning neural recommendation models from MoM feedback provides a promising way to realize universal RS.
• Abstract（参考訳）: 多くの機械学習(ML)コミュニティでは、広範囲なデータに基づいて大規模な事前学習モデルを学習し、幅広い目標タスクに移行することがデファクトパラダイムとなっている。 このような大きなモデルは、実際には強力なパフォーマーであるだけでなく、タスク固有のモデリング制限を突破する有望な方法を提供する。 しかし、このような一般的なパラダイムは、主にレコメンダシステム(RS)コミュニティによって探索されていない。 重要な問題は、標準レコメンデーションモデルは、主に分類的アイデンティティ機能に基づいて構築されていることだ。 つまり、ユーザと対話したアイテムは独自のIDで表現され、一般的に異なるシステムやプラットフォーム間で共有できない。 転送可能なレコメンデーションを追求するために,ユーザのインタラクションフィードバックが混合モダリティ(MoM)項目,例えばテキストや画像を含む新しいシナリオにおいて,事前学習されたRSモデルを研究することを提案する。 次に、人気のあるIDベースのRSフレームワークで作られた非常に単純な変更であるTransRecを紹介します。 TransRecは、エンドツーエンドのトレーニング方法でMoMアイテムの生の特徴から直接学習し、重複したユーザやアイテムに頼ることなく、さまざまなシナリオ下で効果的な移動学習を可能にする。 実世界の4つのレコメンデーション設定におけるTransRecの転送能力について実証研究を行った。 さらに、ソースとターゲットデータサイズのスケーリングによる効果についても検討する。 この結果から,MoMフィードバックからニューラルレコメンデーションモデルを学ぶことは,ユニバーサルRSを実現する上で有望な方法であることが示唆された。

関連論文リスト

• Enhancing User Sequence Modeling through Barlow Twins-based Self-Supervised Learning [17.299357794051797]
  本稿では,最先端のSSL手法であるBarlow Twinsを,適切な拡張手法を取り入れたユーザシーケンスモデリングに適用することを提案する。 提案手法は,大規模な負のサンプルバッチの必要性を軽減し,より小さなバッチサイズと限られたラベル付きデータによる効果的な表現学習を実現することを目的としている。
  論文  参考訳（メタデータ） (2025-05-02T02:04:52Z)
• LLM-based Bi-level Multi-interest Learning Framework for Sequential Recommendation [54.396000434574454]
  本稿では,暗黙的行動と明示的意味論的視点を組み合わせた新しい多目的SRフレームワークを提案する。 Implicit Behavioral Interest ModuleとExplicit Semantic Interest Moduleの2つのモジュールが含まれている。 4つの実世界のデータセットの実験は、フレームワークの有効性と実用性を検証する。
  論文  参考訳（メタデータ） (2024-11-14T13:00:23Z)
• LLMEmb: Large Language Model Can Be a Good Embedding Generator for Sequential Recommendation [57.49045064294086]
  大きな言語モデル(LLM)は、その人気とは無関係に、アイテム間の意味的関係をキャプチャする能力を持つ。 LLMEmb(LLMEmb)は、LCMを利用してアイテム埋め込みを生成し、逐次レコメンダシステム(SRS)の性能を向上させる手法である。
  論文  参考訳（メタデータ） (2024-09-30T03:59:06Z)
• Train Once, Deploy Anywhere: Matryoshka Representation Learning for Multimodal Recommendation [27.243116376164906]
  マルチモーダルレコメンデーションのための大規模Matryoshka表現学習(fMRLRec)という軽量フレームワークを導入する。 当社のfMRLRecは,複数次元にわたる効率的なレコメンデーションのための情報表現を学習し,各項目の特徴を異なる粒度で捉えている。 複数のベンチマークデータセットに対するfMRLRecの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-09-25T05:12:07Z)
• Improved Diversity-Promoting Collaborative Metric Learning for Recommendation [127.08043409083687]
  CML(Collaborative Metric Learning)は、リコメンデーションシステムにおいて人気のある手法として最近登場した。 本稿では,ユーザが複数のカテゴリの関心を持つ,困難なシナリオに焦点をあてる。 textitDiversity-Promoting Collaborative Metric Learning (DPCML) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-02T07:44:48Z)
• Multi-Modal Recommendation Unlearning for Legal, Licensing, and Modality Constraints [10.335361310419826]
  本稿では,MMRS と未学習項目データにおける非学習に関する最初のアプローチである MMRecUn を紹介する。 MMRecUnはベースライン方式に比べて最大49.85%のリコール性能向上を実現している。 ゴールドモデルよりも最大1.3倍速く、スクラッチからセットを保持するように訓練されている。
  論文  参考訳（メタデータ） (2024-05-24T08:11:59Z)
• A Review of Modern Recommender Systems Using Generative Models (Gen-RecSys) [57.30228361181045]
  この調査は、ジェネレーティブモデル(Gen-RecSys)を用いたレコメンデーションシステムにおける重要な進歩を結びつける。 対話駆動生成モデル、自然言語レコメンデーションのための大規模言語モデル(LLM)とテキストデータの使用、RSにおける画像やビデオの生成と処理のためのマルチモーダルモデルの統合。 我々の研究は、Gen-RecSysの影響と害を評価するために必要なパラダイムを強調し、オープンな課題を特定します。
  論文  参考訳（メタデータ） (2024-03-31T06:57:57Z)
• MISSRec: Pre-training and Transferring Multi-modal Interest-aware Sequence Representation for Recommendation [61.45986275328629]
  逐次レコメンデーションのためのマルチモーダル事前学習・転送学習フレームワークであるMISSRecを提案する。 ユーザ側ではトランスフォーマーベースのエンコーダデコーダモデルを設計し、コンテキストエンコーダがシーケンスレベルのマルチモーダルユーザ興味を捉えることを学習する。 候補項目側では,ユーザ適応項目表現を生成するために動的融合モジュールを採用する。
  論文  参考訳（メタデータ） (2023-08-22T04:06:56Z)
• Fractional Transfer Learning for Deep Model-Based Reinforcement Learning [0.966840768820136]
  強化学習(Reinforcement Learning, RL)は、RLエージェントが複雑なタスクを実行することを学ぶために大量のデータを必要とすることで知られている。 モデルベースRLの最近の進歩により、エージェントはずっとデータ効率が良い。 簡単な代替手法として、分数変換学習を提案する。
  論文  参考訳（メタデータ） (2021-08-14T12:44:42Z)
• A Primal-Dual Subgradient Approachfor Fair Meta Learning [23.65344558042896]
  ショットのメタ学習は、その高速適応能力と、未知のタスクへの精度の一般化で有名である。 そこで本研究では,ごく少数の例を用いて,公正な機械学習モデルのトレーニングを学習するPrimal-Dual Meta-learningフレームワーク,すなわちPDFMを提案する。
  論文  参考訳（メタデータ） (2020-09-26T19:47:38Z)

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。