論文の概要: Content-Based Collaborative Generation for Recommender Systems
- arxiv url: http://arxiv.org/abs/2403.18480v2
- Date: Tue, 12 Nov 2024 13:54:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-13 13:16:01.026095
- Title: Content-Based Collaborative Generation for Recommender Systems
- Title（参考訳）: コンテンツに基づくレコメンダシステムのための協調生成
- Authors: Yidan Wang, Zhaochun Ren, Weiwei Sun, Jiyuan Yang, Zhixiang Liang, Xin Chen, Ruobing Xie, Su Yan, Xu Zhang, Pengjie Ren, Zhumin Chen, Xin Xin,
- Abstract要約: 推薦システム,すなわちColaRecに対して,コンテンツに基づく協調生成を提案する。
協調的な信号をモデル化するために、GIDは事前訓練された協調フィルタリングモデルから構築される。
ColaRecの有効性を検証するため、4つのベンチマークデータセットで実験を行った。
- 参考スコア（独自算出の注目度）: 46.6859573291158
- License:
- Abstract: Generative models have emerged as a promising utility to enhance recommender systems. It is essential to model both item content and user-item collaborative interactions in a unified generative framework for better recommendation. Although some existing large language model (LLM)-based methods contribute to fusing content information and collaborative signals, they fundamentally rely on textual language generation, which is not fully aligned with the recommendation task. How to integrate content knowledge and collaborative interaction signals in a generative framework tailored for item recommendation is still an open research challenge. In this paper, we propose content-based collaborative generation for recommender systems, namely ColaRec. ColaRec is a sequence-to-sequence framework which is tailored for directly generating the recommended item identifier. Precisely, the input sequence comprises data pertaining to the user's interacted items, and the output sequence represents the generative identifier (GID) for the suggested item. To model collaborative signals, the GIDs are constructed from a pretrained collaborative filtering model, and the user is represented as the content aggregation of interacted items. To this end, ColaRec captures both collaborative signals and content information in a unified framework. Then an item indexing task is proposed to conduct the alignment between the content-based semantic space and the interaction-based collaborative space. Besides, a contrastive loss is further introduced to ensure that items with similar collaborative GIDs have similar content representations. To verify the effectiveness of ColaRec, we conduct experiments on four benchmark datasets. Empirical results demonstrate the superior performance of ColaRec.
- Abstract（参考訳）: ジェネレーティブモデルは、レコメンダシステムを強化するための有望なユーティリティとして登場した。
コンテントコンテンツとユーザとイテムの協調的なインタラクションの両方を統合された生成フレームワークでモデル化し、より良いレコメンデーションを実現することが不可欠である。
既存の大規模言語モデル(LLM)ベースの手法は、コンテンツ情報と協調的な信号の融合に寄与するが、基本的にはテキスト言語生成に依存しており、推奨タスクと完全に一致していない。
アイテムレコメンデーションに適した生成フレームワークに、コンテンツ知識と協調的な相互作用信号を統合する方法は、依然としてオープンな研究課題である。
本論文では,コラボレータシステム(ColaRec)のためのコンテンツベース協調生成手法を提案する。
ColaRecはシーケンス・ツー・シーケンスのフレームワークで、推奨アイテム識別子を直接生成するように調整されている。
正確には、入力シーケンスは、ユーザの対話されたアイテムに関するデータを含み、出力シーケンスは、提案されたアイテムの生成識別子(GID)を表す。
協調信号をモデル化するために、GIDは事前訓練された協調フィルタリングモデルから構築され、ユーザは相互作用したアイテムのコンテンツアグリゲーションとして表現される。
この目的のためにColaRecは、統一されたフレームワークで協調的な信号とコンテンツ情報の両方をキャプチャする。
そこで,コンテンツに基づくセマンティック空間とインタラクションに基づく協調空間とのアライメントを行うために,項目インデックス作成タスクを提案する。
さらに、類似の協調的なGIDを持つアイテムが類似したコンテンツ表現を持つことを保証するために、対照的な損失が導入された。
ColaRecの有効性を検証するため、4つのベンチマークデータセットで実験を行った。
経験的結果はColaRecの優れた性能を示している。
関連論文リスト
- Text-Based Product Matching -- Semi-Supervised Clustering Approach [9.748519919202986]
本稿では,半教師付きクラスタリング手法を用いた製品マッチングの新しい哲学を提案する。
実世界のデータセット上でIDECアルゴリズムを実験することにより,本手法の特性について検討する。
論文 参考訳（メタデータ） (2024-02-01T18:52:26Z) - 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) - Improving Conversational Recommendation Systems' Quality with
Context-Aware Item Meta Information [42.88448098873448]
対話レコメンデーションシステム(CRS)は,対話履歴からユーザの好みを推測することでユーザと対話する。
従来のCRSでは、知識グラフ(KG)ベースのレコメンデーションモジュールを使用し、応答生成のための言語モデルとKGを統合する。
本稿では,事前学習言語モデル(PLM)と項目メタデータエンコーダを組み合わせた,シンプルで効果的なアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-12-15T14:12:48Z) - Dynamic Graph Collaborative Filtering [64.87765663208927]
動的レコメンデーションは,逐次データに基づくリアルタイム予測を提供するレコメンデータシステムにとって不可欠である。
本稿では、動的グラフを利用して協調関係とシーケンシャル関係をキャプチャする新しいフレームワーク、Dynamic Graph Collaborative Filtering (DGCF)を提案する。
提案手法は, 動的協調情報の統合の有効性を示すため, 動作繰り返しの少ないデータセットでは高い性能を実現する。
論文 参考訳（メタデータ） (2021-01-08T04:16:24Z) - Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。
我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。
私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
論文 参考訳（メタデータ） (2020-05-19T10:18:43Z) - A Hybrid Approach to Enhance Pure Collaborative Filtering based on
Content Feature Relationship [0.17188280334580192]
本稿では,自然言語処理領域であるWord2Vecから,コンテンツ特徴間の暗黙的な関係を抽出する手法を提案する。
次に、関連性を利用してアイテムのベクトル表現を決定する新しいコンテンツベースレコメンデーションシステムを提案する。
評価結果から,ユーザが選択した項目の選好を,純粋に協調的なフィルタリングと同等に予測できることが示唆された。
論文 参考訳（メタデータ） (2020-05-17T02:20:45Z)
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。