論文の概要: Vector Quantization for Recommender Systems: A Review and Outlook

• arxiv url: http://arxiv.org/abs/2405.03110v1
• Date: Mon, 06 May 2024 02:06:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-11 00:59:00.982886
• Title: Vector Quantization for Recommender Systems: A Review and Outlook
• Title（参考訳）: Recommender システムのベクトル量子化: 概観と展望
• Authors: Qijiong Liu, Xiaoyu Dong, Jiaren Xiao, Nuo Chen, Hengchang Hu, Jieming Zhu, Chenxu Zhu, Tetsuya Sakai, Xiao-Ming Wu,
• Abstract要約: ベクトル量子化は、数十年間、信号処理と機械学習の研究において顕著な話題となっている。 大規模モデルと生成AIの出現により、ベクトル量子化はレコメンデーターシステムで人気を集めている。
• 参考スコア（独自算出の注目度）: 40.49785923479689
• License:
• Abstract: Vector quantization, renowned for its unparalleled feature compression capabilities, has been a prominent topic in signal processing and machine learning research for several decades and remains widely utilized today. With the emergence of large models and generative AI, vector quantization has gained popularity in recommender systems, establishing itself as a preferred solution. This paper starts with a comprehensive review of vector quantization techniques. It then explores systematic taxonomies of vector quantization methods for recommender systems (VQ4Rec), examining their applications from multiple perspectives. Further, it provides a thorough introduction to research efforts in diverse recommendation scenarios, including efficiency-oriented approaches and quality-oriented approaches. Finally, the survey analyzes the remaining challenges and anticipates future trends in VQ4Rec, including the challenges associated with the training of vector quantization, the opportunities presented by large language models, and emerging trends in multimodal recommender systems. We hope this survey can pave the way for future researchers in the recommendation community and accelerate their exploration in this promising field.
• Abstract（参考訳）: ベクトル量子化は、その非並列な特徴圧縮能力で有名であり、信号処理と機械学習の研究において数十年にわたって顕著な話題であり、現在でも広く利用されている。 大規模モデルと生成AIの出現により、ベクトル量子化はレコメンデータシステムで人気を集め、自らが望ましいソリューションとして確立されている。 本稿では,ベクトル量子化手法の包括的レビューから始める。 次に、レコメンダシステム(VQ4Rec)のためのベクトル量子化手法の体系的な分類を探索し、それらの応用を複数の観点から検討する。 さらに、効率志向のアプローチや品質指向のアプローチなど、さまざまなレコメンデーションシナリオにおける研究活動の徹底的な紹介も提供する。 最後に、VQ4Recの残りの課題を分析し、ベクトル量子化のトレーニングに関する課題、大規模言語モデルによる機会、マルチモーダルレコメンデーションシステムにおける新たなトレンドなど、今後のトレンドを予想する。 この調査が、将来のリコメンデーションコミュニティの研究者にとっての道のりを開拓し、この将来性のある分野における彼らの探索を加速することを期待している。

関連論文リスト

• Hierarchical Reinforcement Learning for Temporal Abstraction of Listwise Recommendation [51.06031200728449]
  我々はmccHRLと呼ばれる新しいフレームワークを提案し、リストワイドレコメンデーションにおける時間的抽象化のレベルを異なるものにする。 階層的な枠組みの中では、ハイレベルエージェントがユーザ知覚の進化を研究し、低レベルエージェントがアイテム選択ポリシーを作成している。 その結果,本手法による性能改善は,いくつかのよく知られたベースラインと比較して有意な結果が得られた。
  論文  参考訳（メタデータ） (2024-09-11T17:01:06Z)
• Empowering Few-Shot Recommender Systems with Large Language Models -- Enhanced Representations [0.0]
  大規模言語モデル(LLM)は、明示的なフィードバックベースのレコメンデータシステムで遭遇する少数のシナリオに対処するための、新たな洞察を提供する。 我々の研究は、LLMがレコメンデーターシステムに関わっていることの多面的側面を深く掘り下げるために、研究者に刺激を与えることができる。
  論文  参考訳（メタデータ） (2023-12-21T03:50:09Z)
• Embedding in Recommender Systems: A Survey [67.67966158305603]
  重要な側面は、ユーザやアイテムIDといった高次元の離散的な特徴を低次元連続ベクトルに包含する技法である。 埋め込み技術の適用は複雑なエンティティ関係を捉え、かなりの研究を刺激している。 この調査では、協調フィルタリング、自己教師付き学習、グラフベースのテクニックなどの埋め込み手法を取り上げている。
  論文  参考訳（メタデータ） (2023-10-28T06:31:06Z)
• Impression-Aware Recommender Systems [57.38537491535016]
  新たなデータソースは、レコメンデーションシステムの品質を改善する新しい機会をもたらす。 研究者はインプレッションを使ってユーザーの好みを洗練させ、推奨システム研究の現在の制限を克服することができる。 本稿ではインプレッションを用いたレコメンデーションシステムに関する体系的な文献レビューを行う。
  論文  参考訳（メタデータ） (2023-08-15T16:16:02Z)
• Recommender Systems in the Era of Large Language Models (LLMs) [62.0129013439038]
  大規模言語モデル(LLM)は自然言語処理(NLP)と人工知能(AI)の分野に革命をもたらした。 我々は, プレトレーニング, ファインチューニング, プロンプティングなどの様々な側面から, LLM を利用したレコメンデータシステムの総合的なレビューを行う。
  論文  参考訳（メタデータ） (2023-07-05T06:03:40Z)
• Generalized Video Anomaly Event Detection: Systematic Taxonomy and Comparison of Deep Models [33.43062232461652]
  ビデオ異常検出(VAD)は、インテリジェント監視システムにおいて重要な技術である。 本調査は,GA(Generalized Video Anomaly Event Detection, GVAED)と呼ばれる幅広いスペクトルを含む,教師なしの手法を超えて,従来のVODの範囲を拡張した。
  論文  参考訳（メタデータ） (2023-02-10T07:11:37Z)
• A Sequence-Aware Recommendation Method Based on Complex Networks [1.385805101975528]
  データからネットワークモデルを構築し、それを使ってユーザのその後のアクションを予測する。 提案手法は大規模データセット上で実験的に実装および試験を行った。
  論文  参考訳（メタデータ） (2022-09-30T16:34:39Z)
• A Survey of Deep Reinforcement Learning in Recommender Systems: A Systematic Review and Future Directions [40.73124164815037]
  本調査は,レコメンデーションシステムにおける近年の深層強化学習の動向を,タイムリーかつ包括的に概観することを目的としている。 本稿では,現在のDRLに基づくレコメンデータシステムの分類と既存手法の概要について述べる。
  論文  参考訳（メタデータ） (2021-09-08T10:44:55Z)
• A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
  我々は知識グラフに基づく推薦システムの体系的な調査を行う。 論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。 これらの作業で使用されるデータセットを紹介します。
  論文  参考訳（メタデータ） (2020-02-28T02:26:30Z)

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。