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
- 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) - MM-GEF: Multi-modal representation meet collaborative filtering [51.04679619309803]
本稿では,グラフアーリーフュージョンを用いたマルチモーダルレコメンデーション MM-GEF を提案する。
MM-GEFはマルチモーダル信号と協調信号の両方から得られる構造情報を注入することにより、洗練された項目表現を学習する。
論文 参考訳(メタデータ) (2023-08-14T15:47:36Z) - Recommender Systems in the Era of Large Language Models (LLMs) [36.87760144204833]
大規模言語モデル(LLM)は自然言語処理(NLP)と人工知能(AI)の分野に革命をもたらした。
我々は, プレトレーニング, ファインチューニング, プロンプティングなどの様々な側面から, LLM を利用したレコメンデータシステムの総合的なレビューを行う。
論文 参考訳(メタデータ) (2023-07-05T06:03:40Z) - How Can Recommender Systems Benefit from Large Language Models: A Survey [83.90471827695625]
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) - A Survey on Large Language Models for Recommendation [80.01023231943205]
大規模言語モデル(LLM)は自然言語処理(NLP)の分野で強力なツールとして登場した。
本調査では,これらのモデルを2つの主要なパラダイム(DLLM4Rec)とジェネレーティブLSM4Rec(GLLM4Rec)に分類する。
論文 参考訳(メタデータ) (2023-05-31T13:51:26Z) - Information Screening whilst Exploiting! Multimodal Relation Extraction
with Feature Denoising and Multimodal Topic Modeling [96.75821232222201]
既存のマルチモーダル関係抽出(MRE)研究は、内部情報過剰利用と外部情報過多という2つの共存課題に直面している。
内部情報スクリーニングと外部情報活用を同時に実現する新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2023-05-19T14:56:57Z) - Optimal Event Monitoring through Internet Mashup over Multivariate Time
Series [77.34726150561087]
このフレームワークは、モデル定義、クエリ、パラメータ学習、モデル評価、データ監視、決定レコメンデーション、Webポータルのサービスをサポートする。
さらに、MTSAデータモデルとクエリ言語を拡張して、学習、監視、レコメンデーションのサービスにおいて、この種の問題をサポートする。
論文 参考訳(メタデータ) (2022-10-18T16:56:17Z) - 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。