論文の概要: LightFusionRec: Lightweight Transformers-Based Cross-Domain Recommendation Model
- arxiv url: http://arxiv.org/abs/2410.15656v1
- Date: Mon, 21 Oct 2024 05:49:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-22 13:12:42.148042
- Title: LightFusionRec: Lightweight Transformers-Based Cross-Domain Recommendation Model
- Title（参考訳）: LightFusionRec:軽量トランスを用いたクロスドメインレコメンデーションモデル
- Authors: Vansh Kharidia, Dhruvi Paprunia, Prashasti Kanikar,
- Abstract要約: LightFusionRecは、新しいクロスドメインレコメンデーションシステムである。
DistilBERTをテキストの特徴抽出に、FastTextをジャンル埋め込みに統合する。
多くのメディアフォーマットに対して、正確で文脈的に関係のあるレコメンデーションを生成する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: This paper presents LightFusionRec, a novel lightweight cross-domain recommendation system that integrates DistilBERT for textual feature extraction and FastText for genre embedding. Important issues in recommendation systems, such as data sparsity, computational efficiency, and cold start issues, are addressed in methodology. LightFusionRec uses a small amount of information to produce precise and contextually relevant recommendations for many media formats by fusing genre vector embedding with natural language processing algorithms. Tests conducted on extensive movie and book datasets show notable enhancements in suggestion quality when compared to conventional methods. Because of its lightweight design, the model can be used for a variety of purposes and allows for ondevice inference. LightFusionRec is a noteworthy development in cross-domain recommendation systems, providing accurate and scalable recommendations to improve user experience on digital content platforms.
- Abstract（参考訳）: 本稿では,テキスト特徴抽出用DistilBERTとジャンル埋め込み用FastTextを統合した,軽量なクロスドメインレコメンデーションシステムLightFusionRecを提案する。
データスパシティ、計算効率、コールドスタート問題といったレコメンデーションシステムにおける重要な問題は方法論で解決される。
LightFusionRecは、自然言語処理アルゴリズムにジャンルベクトルを埋め込むことによって、多くのメディアフォーマットに対して正確でコンテキスト的に関連性の高いレコメンデーションを生成するために、少量の情報を使用する。
映画や書籍の広範なデータセットで行ったテストは、従来の手法と比較して、提案品質が顕著に向上したことを示している。
軽量な設計のため、モデルは様々な目的で使用することができ、オンデバイス推論が可能である。
LightFusionRecはクロスドメインレコメンデーションシステムにおいて注目すべき開発であり、デジタルコンテンツプラットフォームにおけるユーザエクスペリエンスを改善するための正確でスケーラブルなレコメンデーションを提供する。
関連論文リスト
- FLARE: Fusing Language Models and Collaborative Architectures for Recommender Enhancement [0.7372033475418547]
Flareは、Perceiverネットワークを使用して、言語モデル(mT5)と協調フィルタリングモデル(Bert4Rec)を統合する、新しいハイブリッドレコメンデータである。
2段階評価を行い、まず、より小さなデータセット上で確立されたベースラインに対してFreのパフォーマンスを評価する。
次に、より大きく、よりリアルなデータセット上で、より大きなアイテム語彙でFreを評価する。
論文 参考訳（メタデータ） (2024-09-18T04:43:41Z) - ATFLRec: A Multimodal Recommender System with Audio-Text Fusion and Low-Rank Adaptation via Instruction-Tuned Large Language Model [0.0]
本研究では,大規模言語モデル(LLM)へのマルチモーダルデータテキストと音声の統合について検討する。
従来のテキストやオーディオレコメンデータは、コールドスタート問題のような制限に直面する。
Low-Rank Adaptation (LoRA)を導入し、性能を損なうことなく効率を向上させる。
論文 参考訳（メタデータ） (2024-09-13T05:33:09Z) - Laser: Parameter-Efficient LLM Bi-Tuning for Sequential Recommendation with Collaborative Information [76.62949982303532]
協調情報を用いた逐次レコメンデーションのためのパラメータ効率の高い大規模言語モデルバイチューニングフレームワーク(Laser)を提案する。
我々のレーザーでは,プレフィックスを用いてユーザと協調的な情報を取り込み,LLMをレコメンデーションタスクに適応させ,サフィックスは言語空間からレコメンデーションスペースへのLLMの出力埋め込みをリコメンデーション項目レコメンデーションスペースに変換する。
M-Formerは軽量なMoEベースのクエリ変換器で、クエリ専門家のセットを使用して、凍結IDベースのシーケンシャルレコメンデータシステムによって符号化された多様なユーザ固有の協調情報を統合する。
論文 参考訳（メタデータ） (2024-09-03T04:55:03Z) - EasyRec: Simple yet Effective Language Models for Recommendation [6.311058599430178]
EasyRecは、テキストベースの意味理解を協調的な信号とシームレスに統合する、効果的で使いやすいアプローチである。
EasyRecでは、コントラスト学習と協調的な言語モデルチューニングを組み合わせた、テキストビヘイビアアライメントフレームワークを採用している。
この研究は、プラグイン・アンド・プレイコンポーネントとしてEasyRecをテキスト強化協調フィルタリングフレームワークにシームレスに統合する可能性を強調している。
論文 参考訳（メタデータ） (2024-08-16T16:09:59Z) - Reindex-Then-Adapt: Improving Large Language Models for Conversational Recommendation [50.19602159938368]
大規模言語モデル(LLM)は、会話レコメンデーションシステムに革命をもたらしている。
本稿では,マルチトークンのタイトルを単一トークンに変換するReindex-Then-Adapt(RTA)フレームワークを提案する。
本フレームワークでは,3つの対話推薦データセットの精度向上を実証する。
論文 参考訳（メタデータ） (2024-05-20T15:37:55Z) - General Item Representation Learning for Cold-start Content Recommendations [12.729624639270405]
冷間開始レコメンデーションのためのドメイン/データに依存しない表現学習フレームワークを提案する。
提案するモデルは、分類ラベルから完全に自由なエンドツーエンドのトレーニングが可能である。
論文 参考訳（メタデータ） (2024-04-22T00:48:56Z) - Readout Guidance: Learning Control from Diffusion Features [96.22155562120231]
本稿では,学習信号を用いたテキスト・画像拡散モデル制御手法であるReadout Guidanceを提案する。
Readout Guidanceはリードアウトヘッドを使用し、トレーニング済みの凍結拡散モデルの特徴から信号を取り出すために訓練された軽量ネットワークである。
これらの読み出しは、ポーズ、深さ、エッジなどのシングルイメージ特性や、対応性や外観類似性といった複数の画像に関連する高次特性を符号化することができる。
論文 参考訳（メタデータ） (2023-12-04T18:59:32Z) - 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) - 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) - CSSR: A Context-Aware Sequential Software Service Recommendation Model [4.306391411024746]
ユーザが適切なリポジトリをGitHubで見つけるのに役立つ新しいソフトウェアサービスレコメンデーションモデルを提案する。
我々のモデルはまず,リポジトリのリッチなコンテキスト情報を活用するために,新しいコンテキスト依存のリポジトリグラフ埋め込み法を設計する。
そして、ソフトウェアサービスレコメンデーション分野において、初めてユーザー-リポジトリ間のインタラクションのシーケンス情報を活用する。
論文 参考訳（メタデータ） (2021-12-20T03:17:42Z) - Text Compression-aided Transformer Encoding [77.16960983003271]
本稿では,トランスフォーマーのエンコーディングを強化するために,明示的で暗黙的なテキスト圧縮手法を提案する。
バックボーン情報、つまり入力テキストのgistは、特に焦点を当てていません。
評価の結果,提案した明示的かつ暗黙的なテキスト圧縮手法は,強いベースラインと比較して結果を改善することがわかった。
論文 参考訳（メタデータ） (2021-02-11T11:28:39Z)
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。