論文の概要: Multimodal Recommender Systems: A Survey

• arxiv url: http://arxiv.org/abs/2302.03883v2
• Date: Wed, 4 Sep 2024 14:00:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-07 07:10:38.214033
• Title: Multimodal Recommender Systems: A Survey
• Title（参考訳）: マルチモーダルレコメンダシステム:サーベイ
• Authors: Qidong Liu, Jiaxi Hu, Yutian Xiao, Xiangyu Zhao, Jingtong Gao, Wanyu Wang, Qing Li, Jiliang Tang,
• 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。 実装コードなど、調査された論文の詳細にアクセスするために、リポジトリをオープンソース化します。
• 参考スコア（独自算出の注目度）: 50.23505070348051
• 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 videos, 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 four categories, i.e., Modality Encoder, Feature Interaction, Feature Enhancement and Model Optimization. Besides, 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. To access more details of the surveyed papers, such as implementation code, we open source a repository.
• 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,さまざま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、推奨しながらこれらの内容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におけるデータの分散性の問題を軽減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、MDSの一般的な手順と課題をまとめ、その後、モーダリティエンコーダ(Modality Encoder)、特徴相互作用(Feature Interaction)、特徴強化(Feature Enhancement)、モデル最適化(Model Optimization)という4つのカテゴリで既存のMSSモデルを紹介します。 さらに、この分野を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、MSSの将来的な方向性について論じ、本論文をまとめる。 実装コードなど、調査された論文の詳細にアクセスするために、リポジトリをオープンソース化します。

関連論文リスト

• GUME: Graphs and User Modalities Enhancement for Long-Tail Multimodal Recommendation [13.1192216083304]
  本稿では,長期マルチモーダルレコメンデーションのための新しいグラフとユーザモダリティエンハンスメント(GUME)を提案する。 具体的には、アイテム間のマルチモーダルな類似性を用いて、まずユーザ-テムグラフを拡張します。 次に、明示的なインタラクション機能と拡張された関心機能という2つのタイプのユーザモダリティを構築します。
  論文  参考訳（メタデータ） (2024-07-17T06:29:00Z)
• 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 Aligning and Training Framework for Multimodal Recommendations [23.952221685501875]
  マルチモーダル・レコメンデーションは ユーザーとアイテムの相互作用を超えて 豊かなコンテキストを活用できる 既存のメソッドは主にそれらを使ってIDの特徴を学習する。 マルチモーダルコンテンツ機能とID機能の間には意味的なギャップがある。
  論文  参考訳（メタデータ） (2024-03-19T02:49:32Z)
• 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)
• Recommender Systems in the Era of Large Language Models (LLMs) [62.0129013439038]
  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 [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)
• A Survey on Large Language Models for Recommendation [77.91673633328148]
  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)
• 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。