論文の概要: Multi-Tower Multi-Interest Recommendation with User Representation Repel

• arxiv url: http://arxiv.org/abs/2403.05122v2
• Date: Wed, 31 Jul 2024 04:58:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-01 13:27:16.311711
• Title: Multi-Tower Multi-Interest Recommendation with User Representation Repel
• Title（参考訳）: ユーザ表現リペインを用いたマルチTowerマルチゲストレコメンデーション
• Authors: Tianyu Xiong, Xiaohan Yu,
• Abstract要約: 本稿では,ユーザ表現を補う新しい多層多目的フレームワークを提案する。 複数の大規模産業データセットにまたがる実験結果から,提案手法の有効性と一般化性が確認された。
• 参考スコア（独自算出の注目度）: 0.9867914513513453
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the era of information overload, the value of recommender systems has been profoundly recognized in academia and industry alike. Multi-interest sequential recommendation, in particular, is a subfield that has been receiving increasing attention in recent years. By generating multiple-user representations, multi-interest learning models demonstrate superior expressiveness than single-user representation models, both theoretically and empirically. Despite major advancements in the field, three major issues continue to plague the performance and adoptability of multi-interest learning methods, the difference between training and deployment objectives, the inability to access item information, and the difficulty of industrial adoption due to its single-tower architecture. We address these challenges by proposing a novel multi-tower multi-interest framework with user representation repel. Experimental results across multiple large-scale industrial datasets proved the effectiveness and generalizability of our proposed framework.
• Abstract（参考訳）: 情報過剰の時代において、推薦システムの価値は、学術や産業でも深く認識されてきた。 特に多目的レコメンデーションは近年注目を集めているサブフィールドである。 複数のユーザ表現を生成することで、理論的にも経験的にも、シングルユーザ表現モデルよりも、多目的学習モデルの方が優れた表現性を示す。 この分野の大きな進歩にもかかわらず、多目的学習手法の性能と適用性、訓練と展開目標の違い、アイテム情報へのアクセス不能、シングルトウワーアーキテクチャによる産業採用の難しさの3つの大きな問題が続いている。 これらの課題に対処するために,ユーザ表現を撃退した新しい多層多目的フレームワークを提案する。 複数の大規模産業データセットにまたがる実験結果から,提案手法の有効性と一般化性が確認された。

関連論文リスト

• Enhancing Taobao Display Advertising with Multimodal Representations: Challenges, Approaches and Insights [38.59216578324812]
  マルチモーダルデータを利用したレコメンデーション精度向上のためのアプローチを検討する。 本稿では,マルチモーダル表現の事前学習や,これらの表現を既存のIDベースモデルと統合する2段階フレームワークを提案する。 2023年中頃のマルチモーダル表現の統合以降,Taobaoディスプレイ広告システムにおいて,大幅な性能向上が見られた。
  論文  参考訳（メタデータ） (2024-07-28T11:36:47Z)
• BiVRec: Bidirectional View-based Multimodal Sequential Recommendation [55.87443627659778]
  我々は,IDとマルチモーダルの両方で推薦タスクを共同で訓練する,革新的なフレームワークであるBivRecを提案する。 BivRecは5つのデータセットで最先端のパフォーマンスを達成し、様々な実用的な利点を示している。
  論文  参考訳（メタデータ） (2024-02-27T09:10:41Z)
• Generative Multimodal Models are In-Context Learners [60.50927925426832]
  我々は37億のパラメータを持つ生成的マルチモーダルモデルであるEmu2を紹介し、大規模マルチモーダルシーケンスで訓練する。 Emu2は、マルチモーダルなインコンテキスト学習能力を示し、オンザフライ推論を必要とするタスクを解決しようとさえしている。
  論文  参考訳（メタデータ） (2023-12-20T18:59:58Z)
• Robust Representation Learning for Unified Online Top-K Recommendation [39.12191494863331]
  統合されたオンライントップkレコメンデーションのための堅牢な表現学習を提案する。 提案手法は,データフェアネスを保証するため,エンティティ空間における統一モデリングを構築する。 提案手法は実業務シナリオに対応するために,オンラインでのデプロイに成功している。
  論文  参考訳（メタデータ） (2023-10-24T03:42:20Z)
• Decoupling Common and Unique Representations for Multimodal Self-supervised Learning [22.12729786091061]
  マルチモーダルな自己教師型学習のための簡易かつ効果的な方法として,Decoupling Common and Unique Representations (DeCUR)を提案する。 マルチモーダル冗長性低減によるモーダル内埋め込みとモーダル内埋め込みを区別することにより、DeCURは異なるモーダル間で補完情報を統合できる。
  論文  参考訳（メタデータ） (2023-09-11T08:35:23Z)
• Diversity Regularized Interests Modeling for Recommender Systems [25.339169652217844]
  リコメンダーシステムのための多様性正規化利子モデリング(DRIM)の新しい方法を提案する。 ユーザの興味はある程度の差異を持つべきであり,複数のユーザ関心ベクトルを分離する多様性正規化セパレータとして,3つの戦略を導入する。
  論文  参考訳（メタデータ） (2021-03-23T09:10:37Z)
• Personalized Multimodal Feedback Generation in Education [50.95346877192268]
  学校課題の自動評価は、教育分野におけるAIの重要な応用である。 モーダルゲート機構とパーソナライズされたバイアス機構を備えたPMFGN(Personalized Multimodal Feedback Generation Network)を提案する。 我々のモデルは、より正確で多様なフィードバックを生成することによって、いくつかのベースラインを著しく上回ります。
  論文  参考訳（メタデータ） (2020-10-31T05:26:49Z)
• Explainable Recommender Systems via Resolving Learning Representations [57.24565012731325]
  説明はユーザー体験を改善し、システムの欠陥を発見するのに役立つ。 本稿では,表現学習プロセスの透明性を向上させることによって,説明可能な新しい推薦モデルを提案する。
  論文  参考訳（メタデータ） (2020-08-21T05:30:48Z)
• Embedded Deep Bilinear Interactive Information and Selective Fusion for Multi-view Learning [70.67092105994598]
  本稿では,上記の2つの側面に着目した,新しい多視点学習フレームワークを提案する。 特に、さまざまな深層ニューラルネットワークをトレーニングして、様々なビュー内表現を学習する。 6つの公開データセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-07-13T01:13:23Z)
• Relating by Contrasting: A Data-efficient Framework for Multimodal Generative Models [86.9292779620645]
  生成モデル学習のための対照的なフレームワークを開発し、モダリティ間の共通性だけでなく、「関連」と「関連しない」マルチモーダルデータの区別によってモデルを訓練することができる。 提案手法では, 生成モデルを用いて, 関係のないサンプルから関連サンプルを正確に識別し, ラベルのない多モードデータの利用が可能となる。
  論文  参考訳（メタデータ） (2020-07-02T15:08:11Z)

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。