論文の概要: Item Cold Start Recommendation via Adversarial Variational Auto-encoder Warm-up

• arxiv url: http://arxiv.org/abs/2302.14395v1
• Date: Tue, 28 Feb 2023 08:23:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-01 17:28:31.964302
• Title: Item Cold Start Recommendation via Adversarial Variational Auto-encoder Warm-up
• Title（参考訳）: adversarial variational auto-encoder warm-upによるアイテムコールドスタートレコメンデーション
• Authors: Shenzheng Zhang, Qi Tan, Xinzhi Zheng, Yi Ren, Xu Zhao
• Abstract要約: 本稿では,寒冷品に組み込むウォームアップアイテムIDを生成するために,Adversarial Variational Auto-Encoder Warm-up Model (AVAEW)を提案する。 実世界のニュースレコメンデーションプラットフォーム上で,公開データセットに対する大規模なオフライン実験とオンラインA/Bテストにより提案手法の有効性と適合性を実証した。
• 参考スコア（独自算出の注目度）: 18.923299235862974
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The gap between the randomly initialized item ID embedding and the well-trained warm item ID embedding makes the cold items hard to suit the recommendation system, which is trained on the data of historical warm items. To alleviate the performance decline of new items recommendation, the distribution of the new item ID embedding should be close to that of the historical warm items. To achieve this goal, we propose an Adversarial Variational Auto-encoder Warm-up model (AVAEW) to generate warm-up item ID embedding for cold items. Specifically, we develop a conditional variational auto-encoder model to leverage the side information of items for generating the warm-up item ID embedding. Particularly, we introduce an adversarial module to enforce the alignment between warm-up item ID embedding distribution and historical item ID embedding distribution. We demonstrate the effectiveness and compatibility of the proposed method by extensive offline experiments on public datasets and online A/B tests on a real-world large-scale news recommendation platform.
• Abstract（参考訳）: ランダムに初期化したアイテムIDの埋め込みとよく訓練されたウォームアイテムIDの埋め込みのギャップは、過去のウォームアイテムのデータに基づいてトレーニングされたレコメンデーションシステムに適合しにくくする。 新しい項目の推薦性能の低下を軽減するため、新しい項目IDの埋め込みの分布は、過去の温かい項目に近いものにすべきである。 この目的を達成するために,寒冷品に組み込むウォームアップアイテムIDを生成するためのAdversarial Variational Auto-Encoder Warm-up Model (AVAEW)を提案する。 具体的には,アイテムの側面情報を利用してウォームアップアイテムid埋め込みを生成する条件付き変分オートエンコーダモデルを開発した。 特に,暖房アイテムIDの埋め込み分布と履歴アイテムIDの埋め込み分布のアライメントを強制する対向モジュールを導入する。 大規模ニュースレコメンデーションプラットフォーム上で,公開データセットに対する大規模なオフライン実験とオンラインA/Bテストにより提案手法の有効性と適合性を示す。

関連論文リスト

• Language-Model Prior Overcomes Cold-Start Items [14.370472820496802]
  RecSysの成長は、デジタル化と、eコマースやビデオストリーミングなどの分野におけるパーソナライズされたコンテンツの必要性による。 コンテンツベースのレコメンデータやハイブリッドメソッドといったコールドスタート問題の既存のソリューションは、アイテムメタデータを活用してアイテムの類似性を決定する。 本稿では,言語モデル(LM)を用いて項目類似度を推定する,コールドスタートアイテムレコメンデーションのための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-11-13T22:45:52Z)
• Firzen: Firing Strict Cold-Start Items with Frozen Heterogeneous and Homogeneous Graphs for Recommendation [34.414081170244955]
  厳密なコールドスタートとウォームスタートのレコメンデーションを解決するために,項目と知識グラフのマルチモーダルコンテンツ(KG)を統合した統合フレームワークを提案する。 我々のモデルでは,厳密なコールドスタート勧告と,ウォームスタートシナリオにおける最先端性能に適合する性能の向上が期待できる。
  論文  参考訳（メタデータ） (2024-10-10T06:48:27Z)
• ID-centric Pre-training for Recommendation [51.72177873832969]
  IDの埋め込みは、新しいドメインに移すことが難しい。 ID埋め込みにおける行動情報は、まだPLMベースのレコメンデーションモデルで支配的であることが証明されている。 本稿では,事前学習ドメインで学習した情報型ID埋め込みを新しいドメインの項目表現に直接転送する,新しいID中心の事前学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2024-05-06T15:34:31Z)
• MMGRec: Multimodal Generative Recommendation with Transformer Model [81.61896141495144]
  MMGRecは、マルチモーダルレコメンデーションに生成パラダイムを導入することを目指している。 まず,階層的な量子化手法であるGraph CF-RQVAEを考案し,各項目にRec-IDを割り当てる。 次に、Transformerベースのレコメンデータをトレーニングし、過去のインタラクションシーケンスに基づいて、ユーザが推奨するアイテムのRec-IDを生成する。
  論文  参考訳（メタデータ） (2024-04-25T12:11:27Z)
• 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)
• Multi-task Item-attribute Graph Pre-training for Strict Cold-start Item Recommendation [71.5871100348448]
  ColdGPTは、アイテム内容からきめ細かい属性を抽出することにより、アイテム属性相関をアイテム属性グラフにモデル化する。 ColdGPTは、さまざまな利用可能なデータソース、すなわちアイテムの内容、過去の購入シーケンス、既存のアイテムのレビューテキストから、知識をアイテム属性グラフに転送する。 大規模な実験により、ColdGPTは既存のSCSレコメンデーターを大きなマージンで一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-06-26T07:04:47Z)
• Recommender Systems with Generative Retrieval [58.454606442670034]
  本稿では,対象候補の識別子を自己回帰的に復号する新たな生成検索手法を提案する。 そのために、各項目のセマンティックIDとして機能するために、意味論的に意味のあるコードワードを作成します。 提案手法を用いて学習した推薦システムは,様々なデータセット上での現在のSOTAモデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-08T21:48:17Z)
• FELRec: Efficient Handling of Item Cold-Start With Dynamic Representation Learning in Recommender Systems [0.0]
  本稿では、ユーザとアイテムの既存の表現を洗練する大規模な埋め込みネットワークであるFELRecを紹介する。 類似のアプローチとは対照的に、我々のモデルはサイド情報や時間を要する微調整を伴わない新しいユーザやアイテムを表現している。 提案したモデルは、ゼロショット設定でこれまで見られなかったデータセットをうまく一般化する。
  論文  参考訳（メタデータ） (2022-10-30T19:08:38Z)
• Sequential Recommendation via Stochastic Self-Attention [68.52192964559829]
  Transformerベースのアプローチでは、アイテムをベクトルとして埋め込んで、ドット積の自己アテンションを使用してアイテム間の関係を測定する。 本稿では,これらの問題を克服するための新しいtextbfStochastic textbfSelf-textbfAttention (STOSA) を提案する。 我々は、アイテムと項目の位置関係を列で特徴づける新しいワッサースタイン自己保持モジュールを考案した。
  論文  参考訳（メタデータ） (2022-01-16T12:38:45Z)
• Cold Item Integration in Deep Hybrid Recommenders via Tunable Stochastic Gates [19.69804455785047]
  協調フィルタリングにおける大きな課題は、冷蔵品のレコメンデーションの作り方である。 この2つの相反する目的を橋渡しする新しいハイブリッドレコメンデーションアルゴリズムを提案する。 提案アルゴリズムの有効性を映画,アプリ,記事レコメンデーションに示す。
  論文  参考訳（メタデータ） (2021-12-12T11:37:24Z)

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。