論文の概要: Enhancing ID and Text Fusion via Alternative Training in Session-based Recommendation

• arxiv url: http://arxiv.org/abs/2402.08921v1
• Date: Wed, 14 Feb 2024 03:41:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-15 17:13:08.266456
• Title: Enhancing ID and Text Fusion via Alternative Training in Session-based Recommendation
• Title（参考訳）: セッションベースレコメンデーションにおける代替訓練によるIDとテキストの融合の促進
• Authors: Juanhui Li, Haoyu Han, Zhikai Chen, Harry Shomer, Wei Jin, Amin Javari, Jiliang Tang
• Abstract要約: セッションベースのレコメンデーションは、セッション内のユーザの履歴行動に基づいた、カスタマイズされた提案を提供することを目的としている。 テキスト情報を統合するために、様々な方法が導入された。 これらの2つのモダリティの融合は、単純融合フレームワークに従えば、最良の単一モダリティを一貫して上回るわけではない。 そこで本研究では,IDとテキストのトレーニングを分離した新たなトレーニング戦略AlterRecを提案する。
• 参考スコア（独自算出の注目度）: 37.353738522615444
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Session-based recommendation has gained increasing attention in recent years, with its aim to offer tailored suggestions based on users' historical behaviors within sessions. To advance this field, a variety of methods have been developed, with ID-based approaches typically demonstrating promising performance. However, these methods often face challenges with long-tail items and overlook other rich forms of information, notably valuable textual semantic information. To integrate text information, various methods have been introduced, mostly following a naive fusion framework. Surprisingly, we observe that fusing these two modalities does not consistently outperform the best single modality by following the naive fusion framework. Further investigation reveals an potential imbalance issue in naive fusion, where the ID dominates and text modality is undertrained. This suggests that the unexpected observation may stem from naive fusion's failure to effectively balance the two modalities, often over-relying on the stronger ID modality. This insight suggests that naive fusion might not be as effective in combining ID and text as previously expected. To address this, we propose a novel alternative training strategy AlterRec. It separates the training of ID and text, thereby avoiding the imbalance issue seen in naive fusion. Additionally, AlterRec designs a novel strategy to facilitate the interaction between the two modalities, enabling them to mutually learn from each other and integrate the text more effectively. Comprehensive experiments demonstrate the effectiveness of AlterRec in session-based recommendation. The implementation is available at https://github.com/Juanhui28/AlterRec.
• Abstract（参考訳）: 近年,セッションベースのレコメンデーションが注目され,セッション内のユーザの履歴行動に基づいた適切な提案の提供が目指されている。 この分野を進めるために様々な手法が開発され、IDベースのアプローチは一般的に有望な性能を示す。 しかし、これらの手法は長尾の項目でしばしば問題に直面し、他の豊富な情報、特に貴重なテキスト意味情報を見落としている。 テキスト情報を統合するために、様々な方法が導入された。 驚くべきことに、これらの2つのモダリティの融合は、単純な融合フレームワークに従うことによって、最良の単一モダリティを常に上回っているわけではない。 さらなる調査は、IDが支配的であり、テキストのモダリティが過小評価されているナイーブ核融合における潜在的な不均衡の問題を明らかにする。 これは、予想外の観測は、2つのモダリティを効果的にバランスさせることができず、しばしば強いIDモダリティに過度に依存することに起因する可能性があることを示唆している。 この知見は, ナイーブ融合が従来予想されていたようなIDとテキストの組み合わせに有効でないことを示唆している。 そこで本研究では,AlterRecの新しい代替トレーニング戦略を提案する。 IDとテキストのトレーニングを分離し、単純融合で見られる不均衡の問題を回避する。 さらに、AlterRecは2つのモード間の相互作用を促進する新しい戦略を設計し、相互に学習し、テキストをより効率的に統合できるようにする。 セッションベースレコメンデーションにおけるAlterRecの有効性を総合的な実験で実証する。 実装はhttps://github.com/Juanhui28/AlterRec.comで公開されている。

関連論文リスト

• DimeRec: A Unified Framework for Enhanced Sequential Recommendation via Generative Diffusion Models [39.49215596285211]
  シークエンシャルレコメンデーション(SR:Sequential Recommendation)は、非定常的な歴史的相互作用に基づいてユーザの好みに合わせてレコメンデーションを調整することによって、レコメンデーションシステムにおいて重要な役割を担っている。 誘導抽出モジュール(GEM)と生成拡散凝集モジュール(DAM)を組み合わせたDimeRecという新しいフレームワークを提案する。 我々の数値実験により、DimeRecは3つの公開データセットで確立されたベースライン法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-22T06:42:09Z)
• Mutual Distillation Learning For Person Re-Identification [27.350415735863184]
  MDPR(Multual Distillation Learning for Person Re-identification)という新しい手法を提案する。 本手法は,一様水平分割戦略により局所特徴を抽出するハードコンテンツブランチと,前景と背景を動的に区別するソフトコンテンツブランチの2つを含む。 提案手法はDukeC-reIDデータセット上のmAP/Rank-1の8.7%/94.4%の驚くべき値を得る。
  論文  参考訳（メタデータ） (2024-01-12T07:49:02Z)
• UniCat: Crafting a Stronger Fusion Baseline for Multimodal Re-Identification [0.9831489366502301]
  遅延融合法は, 単独でモダリティを訓練する手法と比較して, 最適潜伏表現をしばしば生み出すことを示す。 この効果は主に、核融合の際の個々のモダリティに対するトレーニング目標の意図しない緩和によるものであると我々は主張する。 また,UniCat(uniCat)や,非modalバックボーン(unimodal backbones)の遅延アンサンブルが,複数のマルチモーダルReIDベンチマークで現在最先端の性能を上回っていることも確認した。
  論文  参考訳（メタデータ） (2023-10-28T20:30:59Z)
• 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)
• Towards General Visual-Linguistic Face Forgery Detection [95.73987327101143]
  ディープフェイクは現実的な顔操作であり、セキュリティ、プライバシー、信頼に深刻な脅威をもたらす可能性がある。 既存の方法は、このタスクを、デジタルラベルまたはマスク信号を使用して検出モデルをトレーニングするバイナリ分類として扱う。 本稿では, 微粒な文レベルのプロンプトをアノテーションとして用いた, VLFFD (Visual-Linguistic Face Forgery Detection) という新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-07-31T10:22:33Z)
• Using Multi-Encoder Fusion Strategies to Improve Personalized Response Selection [2.8360662552057323]
  本稿では,発話のペルソナ,感情,詳細情報間の相互作用を捉える融合戦略の組を提案する。 我々は、従来の手法よりも2.3%以上、修正されたペルソナでは1.9%以上のマージンで、BERTベースのモデルを訓練する。
  論文  参考訳（メタデータ） (2022-08-20T04:13:27Z)
• Contrastive Self-supervised Sequential Recommendation with Robust Augmentation [101.25762166231904]
  Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。 データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。 逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
  論文  参考訳（メタデータ） (2021-08-14T07:15:25Z)
• Conditioned Text Generation with Transfer for Closed-Domain Dialogue Systems [65.48663492703557]
  条件付き変分オートエンコーダを用いて,意図特化文の生成を最適に学習し,制御する方法を示す。 クエリ転送と呼ばれる新しいプロトコルを導入し、大規模で遅延のないデータセットを活用できるようにします。
  論文  参考訳（メタデータ） (2020-11-03T14:06:10Z)
• Leveraging Historical Interaction Data for Improving Conversational Recommender System [105.90963882850265]
  アイテムと属性に基づく嗜好シーケンスを統合するための,新しい事前学習手法を提案する。 実世界の2つのデータセットの実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-19T03:43:50Z)

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。