論文の概要: A Review of Modern Recommender Systems Using Generative Models (Gen-RecSys)
- arxiv url: http://arxiv.org/abs/2404.00579v1
- Date: Sun, 31 Mar 2024 06:57:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-04 02:50:30.139522
- Title: A Review of Modern Recommender Systems Using Generative Models (Gen-RecSys)
- Title(参考訳): 生成モデル(Gen-RecSys)を用いた現代レコメンダシステムの検討
- Authors: Yashar Deldjoo, Zhankui He, Julian McAuley, Anton Korikov, Scott Sanner, Arnau Ramisa, René Vidal, Maheswaran Sathiamoorthy, Atoosa Kasirzadeh, Silvia Milano,
- Abstract要約: 我々はジェネレーティブモデル(Gen-RecSys)を用いてレコメンデーションシステムにおける重要な進歩を結びつけることを目指している。
我々の総合的な視点は、Gen-RecSysの影響と害を評価するために必要なパラダイムを強調できる。
- 参考スコア(独自算出の注目度): 57.30228361181045
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traditional recommender systems (RS) have used user-item rating histories as their primary data source, with collaborative filtering being one of the principal methods. However, generative models have recently developed abilities to model and sample from complex data distributions, including not only user-item interaction histories but also text, images, and videos - unlocking this rich data for novel recommendation tasks. Through this comprehensive and multi-disciplinary survey, we aim to connect the key advancements in RS using Generative Models (Gen-RecSys), encompassing: a foundational overview of interaction-driven generative models; the application of large language models (LLM) for generative recommendation, retrieval, and conversational recommendation; and the integration of multimodal models for processing and generating image and video content in RS. Our holistic perspective allows us to highlight necessary paradigms for evaluating the impact and harm of Gen-RecSys and identify open challenges. A more up-to-date version of the papers is maintained at: https://github.com/yasdel/LLM-RecSys.
- Abstract(参考訳): 従来のレコメンデータシステム(RS)は、ユーザ-イム評価履歴を主要なデータソースとして使用しており、協調フィルタリングが主要な手法の1つである。
しかし、生成モデルは、ユーザとイテムのインタラクション履歴だけでなく、テキスト、画像、ビデオも含む、複雑なデータ分布をモデル化し、サンプルする機能を開発し、新しいレコメンデーションタスクのためにこのリッチなデータをアンロックした。
本稿では,ジェネレーティブ・モデル(Gen-RecSys)を用いて,対話駆動生成モデルの基礎的概要,ジェネレーティブ・レコメンデーション・検索・会話レコメンデーションのための大規模言語モデル(LLM)の適用,RSにおける画像・映像コンテンツの処理・生成のためのマルチモーダル・モデルの統合など,RSの重要な進歩を結び付けることを目的としている。
我々の総合的な視点は、Gen-RecSysの影響と害を評価し、オープンな課題を特定するために必要なパラダイムを強調します。
最新版は、https://github.com/yasdel/LLM-RecSys.comで維持されている。
関連論文リスト
- Towards LLM-RecSys Alignment with Textual ID Learning [48.018397048791115]
我々は,各項目を一意で簡潔で,意味的にリッチで,プラットフォームに依存しないテキストIDとして表現するIDGenを提案する。
標準実験条件下では,IDGen が既存のモデルを常に上回り,逐次レコメンデーションすることを示す。
その結果、事前訓練された基礎モデルのゼロショット性能は、従来のレコメンデーションモデルに匹敵するか、それ以上に優れていることが示された。
論文 参考訳(メタデータ) (2024-03-27T21:22:37Z) - EvalCrafter: Benchmarking and Evaluating Large Video Generation Models [70.19437817951673]
これらのモデルはしばしば、マルチアスペクト能力を持つ非常に大きなデータセットで訓練されているので、単純な指標から大きな条件生成モデルを判断することは困難である、と我々は主張する。
我々のアプローチは、テキスト・ツー・ビデオ生成のための700のプロンプトの多種多様な包括的リストを作成することである。
そこで我々は、視覚的品質、コンテンツ品質、動作品質、テキスト・ビデオアライメントの観点から、慎重に設計されたベンチマークに基づいて、最先端のビデオ生成モデルを評価する。
論文 参考訳(メタデータ) (2023-10-17T17:50:46Z) - GEMRec: Towards Generative Model Recommendation [0.9298281903685715]
パーソナライズされたプロンプトを持つ生成モデルによってアイテムが作成される新しい形式のレコメンデーションタスクはまだ検討されていない。
本稿では,Prompt-Model RetrievalとGenerated Item Rankingという2段階のフレームワークを提案する。
本研究は,新たなパーソナライズ問題として生成モデルレコメンデーションが期待できる可能性と,既存の評価指標の限界を示すものである。
論文 参考訳(メタデータ) (2023-08-04T08:45:02Z) - Personalized Federated Domain Adaptation for Item-to-Item Recommendation [11.65452674504235]
アイテムツーアイテム(I2I)レコメンデーションは、ほとんどのレコメンデーションシステムにおいて重要な機能である。
グラフニューラルネットワーク(GNN)に基づくパーソナライズド・フェデレーション・モデリング・フレームワークの提案と検討を行う。
我々の重要な貢献は、近年のフェデレーションGNNと(グラフ以外の)パーソナライズされたフェデレーション学習のギャップを埋めるパーソナライズされたグラフ適応モデルである。
論文 参考訳(メタデータ) (2023-06-05T19:06:18Z) - TSGM: A Flexible Framework for Generative Modeling of Synthetic Time
Series [79.64785804590821]
時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。
本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
論文 参考訳(メタデータ) (2023-05-19T10:11:21Z) - 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) - AARGH! End-to-end Retrieval-Generation for Task-Oriented Dialog [3.42658286826597]
AARGHは、単一モデルにおける検索と生成のアプローチを組み合わせたエンドツーエンドのタスク指向対話システムである。
提案手法は,状態追跡とコンテキスト・ツー・レスポンス生成性能を維持・改善しながら,より多様な出力を生成する。
論文 参考訳(メタデータ) (2022-09-08T08:15:22Z) - Self-Supervised Hypergraph Transformer for Recommender Systems [25.07482350586435]
自己監督型ハイパーグラフ変換器(SHT)
自己監督型ハイパーグラフ変換器(SHT)
ユーザ-テム相互作用グラフ上のデータ拡張のために,クロスビュー生成型自己教師型学習コンポーネントを提案する。
論文 参考訳(メタデータ) (2022-07-28T18:40:30Z) - A Survey on Neural Recommendation: From Collaborative Filtering to
Content and Context Enriched Recommendation [70.69134448863483]
レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。
近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
論文 参考訳(メタデータ) (2021-04-27T08:03:52Z)
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。