論文の概要: A Multimodal Single-Branch Embedding Network for Recommendation in
Cold-Start and Missing Modality Scenarios
- arxiv url: http://arxiv.org/abs/2409.17864v1
- Date: Thu, 26 Sep 2024 14:12:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-28 18:44:56.983217
- Title: A Multimodal Single-Branch Embedding Network for Recommendation in
Cold-Start and Missing Modality Scenarios
- Title(参考訳): 勧告のためのマルチモーダルシングルブランチ埋め込みネットワーク
コールドスタートとミスモードシナリオ
- Authors: Christian Ganh\"or, Marta Moscati, Anna Hausberger, Shah Nawaz, Markus
Schedl
- Abstract要約: 勧告のためのマルチモーダルシングルブランチ埋め込みネットワーク(SiBraR)を利用した,マルチモーダルレコメンデーションのための新しい手法を提案する。
SiBraRは、異なるモダリティ上の同一の単一ブランチ埋め込みネットワークを使用して、インタラクションデータとマルチモーダル側情報をエンコードする。
我々は,SiBraRの勧告がモダリティの欠如のシナリオにおいて正確であることを示し,モデルが異なるモダリティを共有埋め込み空間の同じ領域にマッピング可能であることを示す。
- 参考スコア(独自算出の注目度): 10.593268426317609
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most recommender systems adopt collaborative filtering (CF) and provide
recommendations based on past collective interactions. Therefore, the
performance of CF algorithms degrades when few or no interactions are
available, a scenario referred to as cold-start. To address this issue,
previous work relies on models leveraging both collaborative data and side
information on the users or items. Similar to multimodal learning, these models
aim at combining collaborative and content representations in a shared
embedding space. In this work we propose a novel technique for multimodal
recommendation, relying on a multimodal Single-Branch embedding network for
Recommendation (SiBraR). Leveraging weight-sharing, SiBraR encodes interaction
data as well as multimodal side information using the same single-branch
embedding network on different modalities. This makes SiBraR effective in
scenarios of missing modality, including cold start. Our extensive experiments
on large-scale recommendation datasets from three different recommendation
domains (music, movie, and e-commerce) and providing multimodal content
information (audio, text, image, labels, and interactions) show that SiBraR
significantly outperforms CF as well as state-of-the-art content-based RSs in
cold-start scenarios, and is competitive in warm scenarios. We show that
SiBraR's recommendations are accurate in missing modality scenarios, and that
the model is able to map different modalities to the same region of the shared
embedding space, hence reducing the modality gap.
- Abstract(参考訳): ほとんどの推奨システムはコラボレーティブ・フィルタリング(CF)を採用し、過去の集合的相互作用に基づいたレコメンデーションを提供する。
したがって、CFアルゴリズムの性能は、相互作用がほとんど、あるいは全くない場合に低下し、コールドスタートと呼ばれるシナリオが生じる。
この問題に対処するため、これまでの作業は、ユーザやアイテムに関するコラボレーションデータとサイド情報の両方を活用するモデルに依存していた。
マルチモーダル学習と同様に、これらのモデルは共有埋め込み空間における協調的表現とコンテンツ表現を組み合わせることを目的としている。
本研究では,マルチモーダルなレコメンデーションのための,マルチモーダルなシングルブランチ埋め込みネットワーク(SiBraR)を用いた新しいレコメンデーション手法を提案する。
ウェイトシェアリングを活用して、SiBraRは、異なるモダリティ上の同じシングルブランチ埋め込みネットワークを使用して、インタラクションデータとマルチモーダルサイド情報をエンコードする。
これにより、SiBraRはコールドスタートを含むモダリティの欠如のシナリオで有効である。
3つの異なるレコメンデーションドメイン(音楽、映画、eコマース)からの大規模レコメンデーションデータセットの大規模な実験を行い、マルチモーダルコンテンツ情報(オーディオ、テキスト、画像、ラベル、インタラクション)を提供することで、SiBraRはコールドスタートシナリオにおける最先端のコンテンツベースRSとCFを著しく上回り、温かいシナリオで競合することを示す。
我々は,SiBraRの勧告がモダリティの欠如のシナリオにおいて正確であることを示し,モデルが異なるモダリティを共有埋め込み空間の同じ領域にマッピングし,モダリティのギャップを小さくすることができることを示した。
関連論文リスト
- Online Clustering of Dueling Bandits [59.09590979404303]
本稿では、優先フィードバックに基づく協調的な意思決定を可能にするために、最初の「デュエルバンディットアルゴリズムのクラスタリング」を導入する。
本稿では,(1)ユーザ報酬関数をコンテキストベクトルの線形関数としてモデル化する線形デューリング帯域のクラスタリング(COLDB)と,(2)ニューラルネットワークを用いて複雑な非線形ユーザ報酬関数をモデル化するニューラルデューリング帯域のクラスタリング(CONDB)の2つの新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2025-02-04T07:55:41Z) - Offline Learning for Combinatorial Multi-armed Bandits [56.96242764723241]
Off-CMABはCMABの最初のオフライン学習フレームワークである。
Off-CMABは悲観的な報酬推定と解法を組み合わせる。
合成および実世界のデータセットの実験は、CLCBの優れた性能を強調している。
論文 参考訳(メタデータ) (2025-01-31T16:56:18Z) - 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) - Diverse Preference Augmentation with Multiple Domains for Cold-start
Recommendations [92.47380209981348]
メタラーニングをベースとした多元的ドメインを用いた多元的推論拡張フレームワークを提案する。
我々は、疎結合の場合の過度な適合を扱うために、新しい関心領域において多様な評価を生成する。
これらの評価は、選好メタラーナーを学ぶためのメタトレーニング手順に導入され、優れた一般化能力が得られる。
論文 参考訳(メタデータ) (2022-04-01T10:10:50Z) - DSKReG: Differentiable Sampling on Knowledge Graph for Recommendation
with Relational GNN [59.160401038969795]
我々は,GNN(DSKReG)を用いた推薦のための知識グラフの識別可能なサンプリングを提案する。
そこで本研究では,モデル学習手順と組み合わせて,関連する項目の選択を最適化する,識別可能なサンプリング戦略を考案する。
実験の結果,我々のモデルは最先端のKGベースのレコメンデータシステムよりも優れていた。
論文 参考訳(メタデータ) (2021-08-26T16:19:59Z) - Thematic recommendations on knowledge graphs using multilayer networks [0.0]
知識グラフ(KG)の多層ネットワーク表現に基づくテーマレコメンデーションの生成と評価のためのフレームワークを提案する。
この表現では、各層はKG内の異なるタイプの関係を符号化し、有向層間結合は異なる役割において同じエンティティを接続する。
パーソナライズされたPageRankアルゴリズムをKGの多層モデルに適用し,項目列レコメンデーションを生成する。
論文 参考訳(メタデータ) (2021-05-12T15:30:21Z) - Scenario-aware and Mutual-based approach for Multi-scenario
Recommendation in E-Commerce [12.794276204716642]
不均質な電子商取引のシナリオでユーザーのための正確な推奨を行う方法は、まだ継続的な研究トピックです。
本稿では,複数のシナリオの違いと類似性を活用するScenario-aware Mutual Learning (SAML) という新しい推奨モデルを提案する。
論文 参考訳(メタデータ) (2020-12-16T13:52:14Z) - Deep Multimodal Fusion by Channel Exchanging [87.40768169300898]
本稿では,異なるモードのサブネットワーク間で動的にチャネルを交換するパラメータフリーマルチモーダル融合フレームワークを提案する。
このような交換プロセスの有効性は、畳み込みフィルタを共有してもBN層をモダリティで分離しておくことで保証される。
論文 参考訳(メタデータ) (2020-11-10T09:53:20Z) - An efficient manifold density estimator for all recommendation systems [3.2981402185055213]
本研究では,任意のベクトル表現を局所的類似性の性質とスムーズな確率密度を簡潔に表現する枠組みを提案する。
我々の近似表現は、固定サイズであり、単純な付加的な構成性を持つのが望ましい性質を持ち、ニューラルネットワークによる処理には特に適している。
トップkとセッションベースのレコメンデーション設定の両方にEを適用することで、ユニモーダルとマルチモーダルの両方の設定で、複数のオープンデータセットに対して、最先端の新たな結果を確立します。
論文 参考訳(メタデータ) (2020-06-02T19:20:20Z) - COBRA: Contrastive Bi-Modal Representation Algorithm [43.33840912256077]
本稿では,CPC(Contrastive Predictive Coding)とNCE(Noth Contrastive Estimation)のパラダイムにインスパイアされた,2つのモダリティの学習を目的とした新しいフレームワークを提案する。
本研究では,この枠組みがモダリティギャップを大幅に減らし,ロバストでタスクに依存しない共同埋め込み空間を生成することを実証的に示す。
7つのベンチマークのクロスモーダルデータセットにまたがる4つのダウンストリームタスクにおいて、既存の作業よりも優れています。
論文 参考訳(メタデータ) (2020-05-07T18:20:12Z)
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。