論文の概要: Diffusion Recommender Model

• arxiv url: http://arxiv.org/abs/2304.04971v3
• Date: Wed, 25 Jun 2025 13:38:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.375834
• Title: Diffusion Recommender Model
• Title（参考訳）: 拡散リコメンダモデル
• Authors: Wenjie Wang, Yiyan Xu, Fuli Feng, Xinyu Lin, Xiangnan He, Tat-Seng Chua,
• Abstract要約: そこで我々は,DiffRecと呼ばれる新しい拡散レコメンダモデルを提案し,その生成過程を認知的に学習する。 ユーザインタラクションにおけるパーソナライズされた情報を維持するため、DiffRecは追加のノイズを低減し、画像合成のような純粋なノイズに対するユーザのインタラクションを損なうことを避ける。
• 参考スコア（独自算出の注目度）: 85.9640416600725
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative models such as Generative Adversarial Networks (GANs) and Variational Auto-Encoders (VAEs) are widely utilized to model the generative process of user interactions. However, these generative models suffer from intrinsic limitations such as the instability of GANs and the restricted representation ability of VAEs. Such limitations hinder the accurate modeling of the complex user interaction generation procedure, such as noisy interactions caused by various interference factors. In light of the impressive advantages of Diffusion Models (DMs) over traditional generative models in image synthesis, we propose a novel Diffusion Recommender Model (named DiffRec) to learn the generative process in a denoising manner. To retain personalized information in user interactions, DiffRec reduces the added noises and avoids corrupting users' interactions into pure noises like in image synthesis. In addition, we extend traditional DMs to tackle the unique challenges in practical recommender systems: high resource costs for large-scale item prediction and temporal shifts of user preference. To this end, we propose two extensions of DiffRec: L-DiffRec clusters items for dimension compression and conducts the diffusion processes in the latent space; and T-DiffRec reweights user interactions based on the interaction timestamps to encode temporal information. We conduct extensive experiments on three datasets under multiple settings (e.g. clean training, noisy training, and temporal training). The empirical results and in-depth analysis validate the superiority of DiffRec with two extensions over competitive baselines.
• Abstract（参考訳）: ユーザインタラクションの生成過程をモデル化するために,GAN(Generative Adversarial Networks)やVAE(VAE)などの生成モデルが広く利用されている。 しかしながら、これらの生成モデルは、GANの不安定性やVAEの制限された表現能力のような本質的な制限に悩まされている。 このような制限は、様々な干渉要因によって引き起こされるノイズの多い相互作用のような複雑なユーザインタラクション生成手順の正確なモデリングを妨げる。 画像合成における拡散モデル(DM)の従来の生成モデルに対する印象的な優位性を考慮して,DiffRecと呼ばれる新しい拡散レコメンダモデルを提案し,生成過程を認知的に学習する。 ユーザインタラクションにおけるパーソナライズされた情報を維持するため、DiffRecは追加のノイズを低減し、画像合成のような純粋なノイズに対するユーザのインタラクションを損なうことを避ける。 さらに,従来のDMを拡張して,大規模項目の予測やユーザの嗜好の時間的変化といった,実践的な推奨システムにおけるユニークな課題に対処する。 そこで本研究では,次元圧縮のためのL-DiffRecクラスタアイテムと,遅延空間における拡散処理を行うT-DiffRecの2つの拡張を提案し,時間情報をエンコードするためのインタラクションタイムスタンプに基づいてユーザインタラクションを再重み付けする。 複数の設定(クリーントレーニング、ノイズトレーニング、時間トレーニングなど)で3つのデータセットに対して広範な実験を行う。 実験結果と深部解析により、DiffRec の2つの拡張が競合ベースラインよりも優れていることが検証された。

関連論文リスト

• CoDiff: Conditional Diffusion Model for Collaborative 3D Object Detection [9.28605575548509]
  協調型3次元物体検出は、自律運転の分野において重要な役割を担っている。 推定誤差と時間遅延のため、エージェント間の情報の融合はしばしば空間的および時間的ノイズを伴う特徴表現をもたらす。 我々は,新しいロバストな協調認識フレームワークであるCoDiffを提案する。
  論文  参考訳（メタデータ） (2025-02-17T03:20:52Z)
• Collaborative Diffusion Model for Recommender System [52.56609747408617]
  Recommender System (CDiff4Rec) のための協調拡散モデルを提案する。 CDiff4Recはアイテム機能から擬似ユーザを生成し、本物と偽の個人的隣人の両方から協調的な信号を利用する。 3つの公開データセットによる実験結果から、CDiff4Recは、パーソナライズされた情報の損失を効果的に軽減することで、競合より優れていることが示された。
  論文  参考訳（メタデータ） (2025-01-31T10:05:01Z)
• Breaking Determinism: Fuzzy Modeling of Sequential Recommendation Using Discrete State Space Diffusion Model [66.91323540178739]
  シークエンシャルレコメンデーション(SR)は、ユーザーが過去の行動に基づいて興味を持つかもしれない項目を予測することを目的としている。 我々はSRを新しい情報理論の観点から再検討し、逐次モデリング手法がユーザの行動のランダム性と予測不可能性を適切に把握できないことを発見した。 ファジィ情報処理理論に触発された本論文では,制限を克服し,ユーザの関心事の進化をよりよく捉えるために,ファジィなインタラクションシーケンスの組を導入する。
  論文  参考訳（メタデータ） (2024-10-31T14:52:01Z)
• Dual Conditional Diffusion Models for Sequential Recommendation [63.82152785755723]
  シーケンスレコメンデーションのための二重条件拡散モデル(DCRec)を提案する。 DCRecは2つの条件を前と逆の拡散プロセスに埋め込むことで暗黙的および明示的な情報を統合する。 これによってモデルは、明示的なユーザ-イテムインタラクションを活用してレコメンデーションプロセスをガイドしながら、価値あるシーケンシャルおよびコンテキスト情報を保持することができる。
  論文  参考訳（メタデータ） (2024-10-29T11:51:06Z)
• Collaborative Filtering Based on Diffusion Models: Unveiling the Potential of High-Order Connectivity [10.683635786183894]
  CF-Diffは新しい拡散モデルに基づく協調フィルタリング手法である。 マルチホップの隣人と一緒に、協調的な信号を完全に活用することができる。 最高の競争相手に比べて7.29%も上昇している。
  論文  参考訳（メタデータ） (2024-04-22T14:49:46Z)
• Diffusion Augmentation for Sequential Recommendation [47.43402785097255]
  本稿では,より高品質な生成のためのDiffuASR(Diffusion Augmentation for Sequential Recommendation)を提案する。 DiffuASRによる強化データセットは、複雑なトレーニング手順なしで、シーケンシャルレコメンデーションモデルを直接トレーニングするために使用することができる。 3つの逐次レコメンデーションモデルを用いた3つの実世界のデータセットに関する広範な実験を行った。
  論文  参考訳（メタデータ） (2023-09-22T13:31:34Z)

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。