論文の概要: Multimodal Recommender Systems: A Survey

• arxiv url: http://arxiv.org/abs/2302.03883v1
• Date: Wed, 8 Feb 2023 05:12:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-09 17:13:20.065563
• Title: Multimodal Recommender Systems: A Survey
• Title（参考訳）: マルチモーダル推薦システム:調査
• Authors: Qidong Liu, Jiaxi Hu, Yutian Xiao, Jingtong Gao and Xiangyu Zhao
• Abstract要約: マルチモーダル・レコメンダ・システム(MRS)は近年,学界と産業の両方から注目を集めている。 本稿では,主に技術的観点から,MSSモデルに関する総合的な調査を行う。 本稿では,既存のMSSモデルについて,特徴相互作用,特徴強調,モデル最適化という3つのカテゴリで紹介する。
• 参考スコア（独自算出の注目度）: 6.022519399411655
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The recommender system (RS) has been an integral toolkit of online services. They are equipped with various deep learning techniques to model user preference based on identifier and attribute information. With the emergence of multimedia services, such as short video, news and etc., understanding these contents while recommending becomes critical. Besides, multimodal features are also helpful in alleviating the problem of data sparsity in RS. Thus, Multimodal Recommender System (MRS) has attracted much attention from both academia and industry recently. In this paper, we will give a comprehensive survey of the MRS models, mainly from technical views. First, we conclude the general procedures and major challenges for MRS. Then, we introduce the existing MRS models according to three categories, i.e., Feature Interaction, Feature Enhancement and Model Optimization. To make it convenient for those who want to research this field, we also summarize the dataset and code resources. Finally, we discuss some promising future directions of MRS and conclude this paper.
• Abstract（参考訳）: 推薦システム(RS)はオンラインサービスの統合ツールキットである。 識別子と属性情報に基づいてユーザの好みをモデル化する様々なディープラーニング技術を備えている。 ショートビデオやニュースなどのマルチメディアサービスが出現すると、推奨しながらコンテンツを理解することが重要になる。 さらに、マルチモーダル機能は、rsのデータスパーシティの問題を解決するのにも役立ちます。 このように、近年、学界と産業の双方からMRS(Multimodal Recommender System)が注目されている。 本稿では,主に技術的観点から,MSSモデルに関する総合的な調査を行う。 まず、mrsの一般的な手順と主な課題をまとめ、既存のmrsモデルを3つのカテゴリ(機能インタラクション、機能拡張、モデル最適化)に従って紹介する。 この分野で研究したい人には便利にするために、データセットとコードリソースを要約します。 最後に,mrsの今後の方向性について議論し,本論文をまとめる。

関連論文リスト

• MRSE: An Efficient Multi-modality Retrieval System for Large Scale E-commerce [42.3177388371158]
  現在の埋め込みベースのRetrieval Systemsは、クエリとアイテムを共有の低次元空間に埋め込む。 本稿では,テキスト,項目画像,ユーザ嗜好を統合したマルチモーダル検索システムMRSEを提案する。 MRSEはオフラインの妥当性が18.9%向上し、オンラインのコアメトリクスが3.7%向上した。
  論文  参考訳（メタデータ） (2024-08-27T11:21:19Z)
• An Interactive Multi-modal Query Answering System with Retrieval-Augmented Large Language Models [21.892975397847316]
  本稿では,新たに開発したマルチモーダル検索フレームワークとナビゲーショングラフインデックスを用いて,対話型マルチモーダルクエリ・アンサーリング(MQA)システムを提案する。 MQAの特筆すべき点は、異なるモダリティの重要性を評価するために、コントラスト学習を利用することである。 本システムは,計算プルーニング技術を用いて改良した,先進的なナビゲーショングラフインデックスによる効率的な検索を実現する。
  論文  参考訳（メタデータ） (2024-07-05T02:01:49Z)
• Multimodal Pretraining and Generation for Recommendation: A Tutorial [54.07497722719509]
  チュートリアルは、マルチモーダル事前学習、マルチモーダル生成、産業アプリケーションという3つの部分で構成されている。 マルチモーダル・レコメンデーションの迅速な理解を促進することを目的としており、この進化する景観の今後の発展について有意義な議論を促進することを目的としている。
  論文  参考訳（メタデータ） (2024-05-11T06:15:22Z)
• 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)
• An Empirical Study of Training ID-Agnostic Multi-modal Sequential Recommenders [3.1093882314734285]
  Sequential Recommendation (SR) は、過去のインタラクションに基づいて、将来のユーザとイテムのインタラクションを予測することを目的としている。 多くのSRアプローチはユーザIDとアイテムIDに重点を置いているが、テキストや画像のようなマルチモーダル信号を通じて世界に対する人間の認識は、研究者にIDを使わずにマルチモーダル情報からSRを構築するよう促している。 本稿では,シンプルで普遍的なtextbfMulti-textbfModal textbfSequential textbfRecommendation (textbfMMSR) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-26T04:16:57Z)
• Mirror Gradient: Towards Robust Multimodal Recommender Systems via Exploring Flat Local Minima [54.06000767038741]
  フラットローカルミニマの新しい視点からマルチモーダルリコメンデータシステムの解析を行う。 我々はミラーグラディエント(MG)と呼ばれる簡潔で効果的な勾配戦略を提案する。 提案したMGは、既存の堅牢なトレーニング手法を補完し、多様な高度なレコメンデーションモデルに容易に拡張できることが判明した。
  論文  参考訳（メタデータ） (2024-02-17T12:27:30Z)
• Enhancing Human-like Multi-Modal Reasoning: A New Challenging Dataset and Comprehensive Framework [51.44863255495668]
  マルチモーダル推論は、人間のような知性を示す人工知能システムの追求において重要な要素である。 提案するマルチモーダル推論(COCO-MMR)データセットは,オープンエンド質問の集合を包含する新しいデータセットである。 画像とテキストエンコーダを強化するために,マルチホップ・クロスモーダル・アテンションや文レベルのコントラスト学習などの革新的な手法を提案する。
  論文  参考訳（メタデータ） (2023-07-24T08:58:25Z)
• How Can Recommender Systems Benefit from Large Language Models: A Survey [82.06729592294322]
  大きな言語モデル(LLM)は、印象的な汎用知性と人間のような能力を示している。 我々は,実世界のレコメンデータシステムにおけるパイプライン全体の観点から,この研究の方向性を包括的に調査する。
  論文  参考訳（メタデータ） (2023-06-09T11:31:50Z)
• Automated Machine Learning for Deep Recommender Systems: A Survey [25.942427065983754]
  本稿では、DRSモデルを開発するための自動機械学習(AutoML)について概説する。 まず、DRSモデルと関連する技術に関するAutoMLの概要を紹介する。 次に,機能選択,機能埋め込み,機能インタラクション,システム設計を自動化する,最先端のAutoMLアプローチについて議論する。
  論文  参考訳（メタデータ） (2022-04-04T11:17:43Z)

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。