論文の概要: Improving Multi-modal Recommender Systems by Denoising and Aligning Multi-modal Content and User Feedback

• arxiv url: http://arxiv.org/abs/2406.12501v1
• Date: Tue, 18 Jun 2024 11:05:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 21:41:10.762131
• Title: Improving Multi-modal Recommender Systems by Denoising and Aligning Multi-modal Content and User Feedback
• Title（参考訳）: マルチモーダルコンテンツとユーザフィードバックの識別・調整によるマルチモーダルレコメンダシステムの改善
• Authors: Guipeng Xv, Xinyu Li, Ruobing Xie, Chen Lin, Chong Liu, Feng Xia, Zhanhui Kang, Leyu Lin,
• Abstract要約: マルチモーダルレコメンダシステム(DA-MRS)を提案する。 DA-MRSは、マルチモーダルノイズを軽減するために、まず、モーダル間の一貫したコンテント類似性によって決定されるアイテム-テムグラフを構成する。 DA-MRSは、ユーザフィードバックを認知するために、観測されたフィードバックの確率とマルチモーダルコンテンツとを関連付け、識別されたBPR損失を考案する。
• 参考スコア（独自算出の注目度）: 32.10029754890383
• License:
• Abstract: Multi-modal recommender systems (MRSs) are pivotal in diverse online web platforms and have garnered considerable attention in recent years. However, previous studies overlook the challenges of (1) noisy multi-modal content, (2) noisy user feedback, and (3) aligning multi-modal content with user feedback. In order to tackle these challenges, we propose Denoising and Aligning Multi-modal Recommender System (DA-MRS). To mitigate multi-modal noise, DA-MRS first constructs item-item graphs determined by consistent content similarity across modalities. To denoise user feedback, DA-MRS associates the probability of observed feedback with multi-modal content and devises a denoised BPR loss. Furthermore, DA-MRS implements Alignment guided by User preference to enhance task-specific item representation and Alignment guided by graded Item relations to provide finer-grained alignment. Extensive experiments verify that DA-MRS is a plug-and-play framework and achieves significant and consistent improvements across various datasets, backbone models, and noisy scenarios.
• Abstract（参考訳）: マルチモーダルレコメンダシステム(MRS)は、様々なオンラインウェブプラットフォームにおいて重要な存在であり、近年は注目されている。 しかし,従来の研究では,(1)ノイズの多いマルチモーダルコンテンツ,(2)ノイズの多いユーザフィードバック,(3)マルチモーダルコンテンツとユーザフィードバックの整合性といった課題を見落としていた。 これらの課題に対処するため,DA-MRS(Denoising and Aligning Multi-modal Recommender System)を提案する。 DA-MRSは、マルチモーダルノイズを軽減するために、まず、モーダル間の一貫したコンテント類似性によって決定されるアイテム-テムグラフを構成する。 DA-MRSは、ユーザフィードバックを認知するために、観測されたフィードバックの確率とマルチモーダルコンテンツとを関連付け、識別されたBPR損失を考案する。 さらに、DA-MRSは、タスク固有の項目表現を強化するためにユーザー好みで案内されるアライメントと、グレードされた項目関係で案内されるアライメントを実装し、よりきめ細かいアライメントを提供する。 大規模な実験では、DA-MRSがプラグイン・アンド・プレイのフレームワークであり、さまざまなデータセット、バックボーンモデル、ノイズの多いシナリオに対して、大幅な、一貫性のある改善が達成されている。

関連論文リスト

• MRSE: An Efficient Multi-modality Retrieval System for Large Scale E-commerce [42.3177388371158]
  現在の埋め込みベースのRetrieval Systemsは、クエリとアイテムを共有の低次元空間に埋め込む。 本稿では,テキスト,項目画像,ユーザ嗜好を統合したマルチモーダル検索システムMRSEを提案する。 MRSEはオフラインの妥当性が18.9%向上し、オンラインのコアメトリクスが3.7%向上した。
  論文  参考訳（メタデータ） (2024-08-27T11:21:19Z)
• DimeRec: A Unified Framework for Enhanced Sequential Recommendation via Generative Diffusion Models [39.49215596285211]
  シークエンシャルレコメンデーション(SR:Sequential Recommendation)は、非定常的な歴史的相互作用に基づいてユーザの好みに合わせてレコメンデーションを調整することによって、レコメンデーションシステムにおいて重要な役割を担っている。 誘導抽出モジュール(GEM)と生成拡散凝集モジュール(DAM)を組み合わせたDimeRecという新しいフレームワークを提案する。 我々の数値実験により、DimeRecは3つの公開データセットで確立されたベースライン法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-22T06:42:09Z)
• A Framework for Fine-Tuning LLMs using Heterogeneous Feedback [69.51729152929413]
  ヘテロジニアスフィードバックを用いた大規模言語モデル(LLM)の微調整フレームワークを提案する。 まず、不均一なフィードバックデータをSFTやRLHFなどの手法と互換性のある単一の監視形式にまとめる。 次に、この統合されたフィードバックデータセットから、性能向上を得るために高品質で多様なサブセットを抽出する。
  論文  参考訳（メタデータ） (2024-08-05T23:20:32Z)
• AlignRec: Aligning and Training in Multimodal Recommendations [29.995007279325947]
  マルチモーダル・レコメンデーションは 相互作用を超えて 豊かなコンテキストを活用できる 既存の手法では、主に多モーダル情報を補助的なものとみなし、それを用いてIDの特徴を学習する。 マルチモーダルコンテンツの特徴とIDベースの特徴の間にはセマンティックなギャップがあり、それによってユーザやアイテムの表現の誤調整につながる。
  論文  参考訳（メタデータ） (2024-03-19T02:49:32Z)
• Multimodal Instruction Tuning with Conditional Mixture of LoRA [54.65520214291653]
  本稿では,Low-Rank Adaption (LoRA) とマルチモーダル命令チューニングを統合した新しい手法を提案する。 各入力インスタンスのユニークな要求に合わせた低ランク適応行列を動的に構築することで、LoRAを革新する。 様々なマルチモーダル評価データセットの実験結果から、MixLoRAは従来のLoRAを同等以上のランクで上回るだけでなく、性能も向上していることが示された。
  論文  参考訳（メタデータ） (2024-02-24T20:15:31Z)
• Mirror Gradient: Towards Robust Multimodal Recommender Systems via Exploring Flat Local Minima [54.06000767038741]
  フラットローカルミニマの新しい視点からマルチモーダルリコメンデータシステムの解析を行う。 我々はミラーグラディエント(MG)と呼ばれる簡潔で効果的な勾配戦略を提案する。 提案したMGは、既存の堅牢なトレーニング手法を補完し、多様な高度なレコメンデーションモデルに容易に拡張できることが判明した。
  論文  参考訳（メタデータ） (2024-02-17T12:27:30Z)
• Align and Attend: Multimodal Summarization with Dual Contrastive Losses [57.83012574678091]
  マルチモーダル要約の目標は、異なるモーダルから最も重要な情報を抽出し、出力要約を形成することである。 既存の手法では、異なるモダリティ間の時間的対応の活用に失敗し、異なるサンプル間の本質的な相関を無視する。 A2Summ(Align and Attend Multimodal Summarization)は、マルチモーダル入力を効果的に整列し、参加できる統一型マルチモーダルトランスフォーマーモデルである。
  論文  参考訳（メタデータ） (2023-03-13T17:01:42Z)
• Multimodal Recommender Systems: A Survey [50.23505070348051]
  マルチモーダル・レコメンダ・システム(MRS)は近年,学界と産業の両方から注目を集めている。 本稿では,主に技術的観点から,MSSモデルに関する総合的な調査を行う。 実装コードなど、調査された論文の詳細にアクセスするために、リポジトリをオープンソース化します。
  論文  参考訳（メタデータ） (2023-02-08T05:12:54Z)

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。