論文の概要: MMGRec: Multimodal Generative Recommendation with Transformer Model
- arxiv url: http://arxiv.org/abs/2404.16555v1
- Date: Thu, 25 Apr 2024 12:11:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-11 01:58:20.820507
- Title: MMGRec: Multimodal Generative Recommendation with Transformer Model
- Title（参考訳）: MMGRec: Transformer モデルによるマルチモーダル生成レコメンデーション
- Authors: Han Liu, Yinwei Wei, Xuemeng Song, Weili Guan, Yuan-Fang Li, Liqiang Nie,
- Abstract要約: MMGRecは、マルチモーダルレコメンデーションに生成パラダイムを導入することを目指している。
まず,階層的な量子化手法であるGraph CF-RQVAEを考案し,各項目にRec-IDを割り当てる。
次に、Transformerベースのレコメンデータをトレーニングし、過去のインタラクションシーケンスに基づいて、ユーザが推奨するアイテムのRec-IDを生成する。
- 参考スコア（独自算出の注目度）: 81.61896141495144
- License:
- Abstract: Multimodal recommendation aims to recommend user-preferred candidates based on her/his historically interacted items and associated multimodal information. Previous studies commonly employ an embed-and-retrieve paradigm: learning user and item representations in the same embedding space, then retrieving similar candidate items for a user via embedding inner product. However, this paradigm suffers from inference cost, interaction modeling, and false-negative issues. Toward this end, we propose a new MMGRec model to introduce a generative paradigm into multimodal recommendation. Specifically, we first devise a hierarchical quantization method Graph RQ-VAE to assign Rec-ID for each item from its multimodal and CF information. Consisting of a tuple of semantically meaningful tokens, Rec-ID serves as the unique identifier of each item. Afterward, we train a Transformer-based recommender to generate the Rec-IDs of user-preferred items based on historical interaction sequences. The generative paradigm is qualified since this model systematically predicts the tuple of tokens identifying the recommended item in an autoregressive manner. Moreover, a relation-aware self-attention mechanism is devised for the Transformer to handle non-sequential interaction sequences, which explores the element pairwise relation to replace absolute positional encoding. Extensive experiments evaluate MMGRec's effectiveness compared with state-of-the-art methods.
- Abstract（参考訳）: マルチモーダルレコメンデーションは、歴史的に相互作用した項目と関連するマルチモーダル情報に基づいて、ユーザ優先の候補を推薦することを目的としている。
従来の研究では、ユーザとアイテムの表現を同じ埋め込み空間で学習し、内積を組み込んで、類似の候補項目をユーザから取り出すという、埋め込みと検索のパラダイムが一般的であった。
しかし、このパラダイムは推論コスト、相互作用モデリング、偽陰性問題に悩まされている。
そこで本研究では,マルチモーダルレコメンデーションに生成パラダイムを導入するための新しいMMGRecモデルを提案する。
具体的には、まず階層的量子化法グラフRQ-VAEを考案し、各項目にRec-IDを割り当てる。
意味的に意味のあるトークンのタプルで構成され、Rec-IDは各アイテムのユニークな識別子として機能する。
その後、トランスフォーマーをベースとしたレコメンデータをトレーニングし、過去のインタラクションシーケンスに基づいて、ユーザが推奨するアイテムのRec-IDを生成する。
このモデルは、推奨項目を自己回帰的に識別するトークンのタプルを体系的に予測するので、生成パラダイムは資格がある。
さらに、トランスフォーマーが非逐次相互作用シーケンスを処理し、絶対位置エンコーディングを置き換えるための要素対関係を探索するために、関係認識型自己アテンション機構を考案した。
MMGRecの有効性を最先端の手法と比較して評価した。
関連論文リスト
- Optimizing Encoder-Only Transformers for Session-Based Recommendation Systems [0.0]
シングルセッションレコメンデーションの課題に対処するために、シークエンシャル・マスクド・モデリングを導入します。
本手法は,ウィンドウスライディングによるデータ拡張と,一意なトークンマスキング戦略を組み合わせることで,シーケンシャルな依存関係をより効率的にキャプチャする。
広範に利用されている3つのデータセット、Yoochoose 1/64、Diginetica、Tmallに対するアプローチを評価した。
論文 参考訳（メタデータ） (2024-10-15T00:23:18Z) - Ada-Retrieval: An Adaptive Multi-Round Retrieval Paradigm for Sequential
Recommendations [50.03560306423678]
本稿では,レコメンダシステムのための適応型マルチラウンド検索パラダイムであるAda-Retrievalを提案する。
Ada-Retrievalは、ユーザー表現を反復的に洗練し、全項目領域の潜在的な候補をよりよく捉えます。
論文 参考訳（メタデータ） (2024-01-12T15:26:40Z) - 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) - 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) - The Minority Matters: A Diversity-Promoting Collaborative Metric
Learning Algorithm [154.47590401735323]
CML(Collaborative Metric Learning)は、リコメンデーションシステムにおいて人気のある手法として最近登場した。
本稿では,ユーザが複数のカテゴリの関心を持つ,困難なシナリオに焦点をあてる。
textitDiversity-Promoting Collaborative Metric Learning (DPCML) と呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2022-09-30T08:02:18Z) - 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)
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。