論文の概要: Bridging User Dynamics: Transforming Sequential Recommendations with Schrödinger Bridge and Diffusion Models

• arxiv url: http://arxiv.org/abs/2409.10522v1
• Date: Fri, 30 Aug 2024 09:10:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-22 21:32:16.754063
• Title: Bridging User Dynamics: Transforming Sequential Recommendations with Schrödinger Bridge and Diffusion Models
• Title（参考訳）: ブリッジングユーザダイナミクス:Schrödinger Bridgeと拡散モデルによるシーケンスレコメンデーションの変換
• Authors: Wenjia Xie, Rui Zhou, Hao Wang, Tingjia Shen, Enhong Chen,
• Abstract要約: 拡散に基づく逐次レコメンデーションモデルにSchr"odinger Bridgeを導入し、SdifRecモデルを作成する。 また、ユーザクラスタリング情報を誘導条件として利用するcon-SdifRecと呼ばれるSdifRecの拡張版も提案する。
• 参考スコア（独自算出の注目度）: 49.458914600467324
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sequential recommendation has attracted increasing attention due to its ability to accurately capture the dynamic changes in user interests. We have noticed that generative models, especially diffusion models, which have achieved significant results in fields like image and audio, hold considerable promise in the field of sequential recommendation. However, existing sequential recommendation methods based on diffusion models are constrained by a prior distribution limited to Gaussian distribution, hindering the possibility of introducing user-specific information for each recommendation and leading to information loss. To address these issues, we introduce the Schr\"odinger Bridge into diffusion-based sequential recommendation models, creating the SdifRec model. This allows us to replace the Gaussian prior of the diffusion model with the user's current state, directly modeling the process from a user's current state to the target recommendation. Additionally, to better utilize collaborative information in recommendations, we propose an extended version of SdifRec called con-SdifRec, which utilizes user clustering information as a guiding condition to further enhance the posterior distribution. Finally, extensive experiments on multiple public benchmark datasets have demonstrated the effectiveness of SdifRec and con-SdifRec through comparison with several state-of-the-art methods. Further in-depth analysis has validated their efficiency and robustness.
• Abstract（参考訳）: ユーザ関心の動的変化を正確に把握する能力によって、シークエンシャルレコメンデーションが注目を集めている。 生成モデル、特に拡散モデルが画像や音声などの分野で大きな成果を上げており、逐次レコメンデーションの分野ではかなりの可能性を秘めていることに気づきました。 しかし,拡散モデルに基づく既存の逐次レコメンデーション手法は,ガウス分布に限定した事前分布によって制約されるため,各レコメンデーションにユーザ固有の情報を導入できなくなり,情報損失につながる。 これらの問題に対処するため、拡散に基づく逐次レコメンデーションモデルにSchr\"odinger Bridgeを導入し、SdifRecモデルを作成する。 これにより、拡散モデルのガウス前処理をユーザの現在の状態に置き換え、ユーザの現在の状態からターゲットのレコメンデーションまでプロセスを直接モデル化することができる。 さらに,コラボレーティブな情報をレコメンデーションでよりよく活用するために,ユーザクラスタリング情報を利用したcon-SdifRecと呼ばれるSdifRecの拡張版を提案する。 最後に、複数の公開ベンチマークデータセットに関する広範な実験は、いくつかの最先端手法との比較を通じて、SdifRecとcon-SdifRecの有効性を実証した。 さらに詳細な分析により、その効率性と堅牢性が検証された。

関連論文リスト

• Breaking Determinism: Fuzzy Modeling of Sequential Recommendation Using Discrete State Space Diffusion Model [66.91323540178739]
  シークエンシャルレコメンデーション(SR)は、ユーザーが過去の行動に基づいて興味を持つかもしれない項目を予測することを目的としている。 我々はSRを新しい情報理論の観点から再検討し、逐次モデリング手法がユーザの行動のランダム性と予測不可能性を適切に把握できないことを発見した。 ファジィ情報処理理論に触発された本論文では,制限を克服し,ユーザの関心事の進化をよりよく捉えるために,ファジィなインタラクションシーケンスの組を導入する。
  論文  参考訳（メタデータ） (2024-10-31T14:52:01Z)
• 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)
• Preference Diffusion for Recommendation [50.8692409346126]
  DMベースのレコメンデータに適した最適化対象であるPreferDiffを提案する。 PreferDiffは、BPRをログライクなランキング目標に変換することで、ユーザの好みをよりよく把握する。 これはDMベースのレコメンデーション向けに特別に設計された、パーソナライズされたランキングの損失である。
  論文  参考訳（メタデータ） (2024-10-17T01:02:04Z)
• Incorporating Classifier-Free Guidance in Diffusion Model-Based Recommendation [0.0]
  Diffusionは、従来のジェネレーティブAIアプローチを改善した、ジェネレーティブAIの新しいアプローチである。 我々は,閲覧や評価項目のシーケンスを反映したレコメンデーションシステムに拡散を取り入れた。
  論文  参考訳（メタデータ） (2024-09-16T17:27:27Z)
• Sequential Recommendation via Adaptive Robust Attention with Multi-dimensional Embeddings [7.207685588038045]
  逐次レコメンデーションモデルは自己認識機構を用いて最先端のパフォーマンスを達成した。 アイテムIDと位置埋め込みのみの使用を超えて移動すると、次の項目を予測するときにかなりの精度が向上する。 モデルの頑健さと一般化を改善するため,レイヤワイドノイズインジェクション(LNI)正則化を用いたミックスアテンション機構を導入する。
  論文  参考訳（メタデータ） (2024-09-08T08:27:22Z)
• Diffusion-based Contrastive Learning for Sequential Recommendation [6.3482831836623355]
  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。
  論文  参考訳（メタデータ） (2024-05-15T14:20:37Z)
• Diffusion Model Alignment Using Direct Preference Optimization [103.2238655827797]
  拡散DPOは,ヒトの比較データを直接最適化することにより,拡散モデルを人間の嗜好に合わせる手法である。 拡散DPOを用いた最先端安定拡散XL(SDXL)-1.0モデルの基礎モデルを微調整する。 また、AIフィードバックを使用し、人間の好みのトレーニングに匹敵するパフォーマンスを持つ亜種も開発しています。
  論文  参考訳（メタデータ） (2023-11-21T15:24:05Z)
• Diffusion Augmentation for Sequential Recommendation [47.43402785097255]
  本稿では,より高品質な生成のためのDiffuASR(Diffusion Augmentation for Sequential Recommendation)を提案する。 DiffuASRによる強化データセットは、複雑なトレーニング手順なしで、シーケンシャルレコメンデーションモデルを直接トレーニングするために使用することができる。 3つの逐次レコメンデーションモデルを用いた3つの実世界のデータセットに関する広範な実験を行った。
  論文  参考訳（メタデータ） (2023-09-22T13:31:34Z)
• RecFusion: A Binomial Diffusion Process for 1D Data for Recommendation [48.77168472848952]
  本稿では,レコメンデーションのための拡散モデルからなるRecFusionを提案する。 1次元ベクトル上での拡散を定式化し、2次元拡散を提案する。 提案する拡散モデルでは,MRIやCTなどの医療領域において,推奨システム以上の意味を持つ。
  論文  参考訳（メタデータ） (2023-06-15T08:39:24Z)

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。