論文の概要: Diffusion-based Contrastive Learning for Sequential Recommendation
- arxiv url: http://arxiv.org/abs/2405.09369v4
- Date: Sun, 20 Oct 2024 11:05:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-10 12:30:54.315859
- Title: Diffusion-based Contrastive Learning for Sequential Recommendation
- Title（参考訳）: 拡散に基づく逐次レコメンデーションのためのコントラスト学習
- Authors: Ziqiang Cui, Haolun Wu, Bowei He, Ji Cheng, Chen Ma,
- Abstract要約: 本稿では,CaDiRecという,文脈対応拡散に基づく逐次推薦のためのコントラスト学習を提案する。
CaDiRecは、コンテキスト対応拡散モデルを使用して、シーケンス内の所定の位置に対する代替アイテムを生成する。
フレームワーク全体をエンドツーエンドでトレーニングし、拡散モデルとレコメンデーションモデルの間でアイテムの埋め込みを共有します。
- 参考スコア（独自算出の注目度）: 6.3482831836623355
- License:
- Abstract: Contrastive learning has been effectively utilized to enhance the training of sequential recommendation models by leveraging informative self-supervised signals. Most existing approaches generate augmented views of the same user sequence through random augmentation and subsequently maximize their agreement in the representation space. However, these methods often neglect the rationality of the augmented samples. Due to significant uncertainty, random augmentation can disrupt the semantic information and interest evolution patterns inherent in the original user sequences. Moreover, pulling semantically inconsistent sequences closer in the representation space can render the user sequence embeddings insensitive to variations in user preferences, which contradicts the primary objective of sequential recommendation. To address these limitations, we propose the Context-aware Diffusion-based Contrastive Learning for Sequential Recommendation, named CaDiRec. The core idea is to leverage context information to generate more reasonable augmented views. Specifically, CaDiRec employs a context-aware diffusion model to generate alternative items for the given positions within a sequence. These generated items are aligned with their respective context information and can effectively replace the corresponding original items, thereby generating a positive view of the original sequence. By considering two different augmentations of the same user sequence, we can construct a pair of positive samples for contrastive learning. To ensure representation cohesion, we train the entire framework in an end-to-end manner, with shared item embeddings between the diffusion model and the recommendation model. Extensive experiments on five benchmark datasets demonstrate the advantages of our proposed method over existing baselines.
- Abstract（参考訳）: コントラスト学習は、情報的自己管理信号を活用することで、シーケンシャルレコメンデーションモデルのトレーニングを強化するために有効に活用されている。
既存のほとんどのアプローチは、ランダムな拡張を通じて同じユーザシーケンスの拡張ビューを生成し、その後、表現空間における一致を最大化する。
しかし、これらの手法は、しばしば強化されたサンプルの合理性を無視する。
かなりの不確実性のため、ランダムな拡張は、元のユーザシーケンスに固有の意味情報や関心の進化パターンを乱す可能性がある。
さらに、表現空間に近づいた意味的に一貫性のないシーケンスを引けば、ユーザの好みのバリエーションに敏感なユーザシーケンスの埋め込みを表現でき、シーケンシャルレコメンデーションの第一目的とは矛盾する。
これらの制約に対処するため,CaDiRecというコンテキスト対応拡散に基づく逐次推薦のためのコントラスト学習を提案する。
中心となる考え方は、コンテキスト情報を活用して、より合理的な拡張ビューを生成することである。
具体的には、CaDiRecは、コンテキスト対応拡散モデルを使用して、シーケンス内の所定の位置に対する代替アイテムを生成する。
これらの生成されたアイテムは、それぞれのコンテキスト情報と整合し、対応する元のアイテムを効果的に置き換え、元のシーケンスの肯定的なビューを生成する。
同じユーザシーケンスの2つの異なる拡張を考慮することで、コントラスト学習のための2つの正のサンプルを構築することができる。
表現の凝集を確保するため,拡散モデルと推薦モデルとの共有アイテム埋め込みにより,フレームワーク全体をエンドツーエンドでトレーニングする。
5つのベンチマークデータセットに対する大規模な実験は、既存のベースラインよりも提案手法の利点を実証している。
関連論文リスト
- Generative Diffusion Models for Sequential Recommendations [7.948486055890262]
変分オートエンコーダ(VAE)やGAN(Generative Adversarial Networks)のような生成モデルは、逐次レコメンデーションタスクにおいて有望であることを示している。
本研究では、ロバスト性を改善するためにDiffuRecアーキテクチャの拡張を導入し、関連するユーザとイテムのインタラクションをよりよく捉えるために、Approximatorにクロスアテンション機構を組み込んだ。
論文 参考訳（メタデータ） (2024-10-25T09:39:05Z) - ContrastVAE: Contrastive Variational AutoEncoder for Sequential
Recommendation [58.02630582309427]
本稿では,コントラスト学習を変分オートエンコーダの枠組みに組み込むことを提案する。
ContrastELBOは,従来のシングルビューELBOを2ビューケースに拡張した,新しいトレーニング目標である。
また、コントラストELBOの具体化として、コントラスト正規化を備えた2分岐VAEモデルであるContrastVAEを提案する。
論文 参考訳（メタデータ） (2022-08-27T03:35:00Z) - Towards Universal Sequence Representation Learning for Recommender
Systems [98.02154164251846]
我々はUniSRecという新しいユニバーサルシーケンス表現学習手法を提案する。
提案手法は、項目の関連記述テキストを用いて、異なる推薦シナリオ間で転送可能な表現を学習する。
我々のアプローチは、パラメータ効率のよい方法で、新しいレコメンデーションドメインやプラットフォームに効果的に移行できます。
論文 参考訳（メタデータ） (2022-06-13T07:21:56Z) - Improving Contrastive Learning with Model Augmentation [123.05700988581806]
このシーケンシャルレコメンデーションは,ユーザ行動における次の項目を予測することを目的としている。
シーケンスにおけるデータの分散性やノイズの問題から,新たな自己教師付き学習(SSL)パラダイムが提案され,性能が向上した。
論文 参考訳（メタデータ） (2022-03-25T06:12:58Z) - Contrastive Self-supervised Sequential Recommendation with Robust
Augmentation [101.25762166231904]
Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。
データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。
逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
論文 参考訳（メタデータ） (2021-08-14T07:15:25Z) - Modeling Sequences as Distributions with Uncertainty for Sequential
Recommendation [63.77513071533095]
既存のシーケンシャルメソッドの多くは、ユーザが決定論的であると仮定する。
項目-項目遷移は、いくつかの項目において著しく変動し、ユーザの興味のランダム性を示す。
本稿では,不確実性を逐次モデルに注入する分散型トランスフォーマーシークエンシャルレコメンデーション(DT4SR)を提案する。
論文 参考訳（メタデータ） (2021-06-11T04:35:21Z) - Adversarial and Contrastive Variational Autoencoder for Sequential
Recommendation [25.37244686572865]
本稿では、逐次レコメンデーションのためのAdversarial and Contrastive Variational Autoencoder (ACVAE) と呼ばれる新しい手法を提案する。
まず,本モデルが高品質な潜在変数を生成することを可能にするadversarial variational bayesフレームワークの下で,シーケンス生成のためのadversarial trainingを導入する。
さらに、シーケンスをエンコードする場合、シーケンス内のグローバルおよびローカルの関係をキャプチャするために、繰り返しおよび畳み込み構造を適用します。
論文 参考訳（メタデータ） (2021-03-19T09:01:14Z) - Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。
当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
論文 参考訳（メタデータ） (2020-05-21T12:28:59Z)
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。