論文の概要: Dual Conditional Diffusion Models for Sequential Recommendation
- arxiv url: http://arxiv.org/abs/2410.21967v1
- Date: Tue, 29 Oct 2024 11:51:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-30 13:39:43.155460
- Title: Dual Conditional Diffusion Models for Sequential Recommendation
- Title（参考訳）: シーケンスレコメンデーションのための二重条件拡散モデル
- Authors: Hongtao Huang, Chengkai Huang, Xiaojun Chang, Wen Hu, Lina Yao,
- Abstract要約: 本稿では,個別から連続的なレコメンデーション拡散フレームワークを提案する。
本フレームワークでは,逆対象項目表現から離散項目インデックスへの遷移をモデル化する完全マルコフ連鎖を導入している。
本稿では,拡散型SRの暗黙条件と明示条件を組み込んだDCDT(Dual Conditional Diffusion Transformer)を提案する。
- 参考スコア（独自算出の注目度）: 47.65610320825351
- License:
- Abstract: Recent advancements in diffusion models have shown promising results in sequential recommendation (SR). However, current diffusion-based methods still exhibit two key limitations. First, they implicitly model the diffusion process for target item embeddings rather than the discrete target item itself, leading to inconsistency in the recommendation process. Second, existing methods rely on either implicit or explicit conditional diffusion models, limiting their ability to fully capture the context of user behavior and leading to less robust target item embeddings. In this paper, we propose the Dual Conditional Diffusion Models for Sequential Recommendation (DCRec), introducing a discrete-to-continuous sequential recommendation diffusion framework. Our framework introduces a complete Markov chain to model the transition from the reversed target item representation to the discrete item index, bridging the discrete and continuous item spaces for diffusion models and ensuring consistency with the diffusion framework. Building on this framework, we present the Dual Conditional Diffusion Transformer (DCDT) that incorporates the implicit conditional and the explicit conditional for diffusion-based SR. Extensive experiments on public benchmark datasets demonstrate that DCRec outperforms state-of-the-art methods.
- Abstract（参考訳）: 拡散モデルの最近の進歩は、逐次レコメンデーション(SR)において有望な結果を示している。
しかし、現在の拡散法には2つの重要な制限がある。
まず、個々の対象項目自体ではなく、対象項目の埋め込みに対する拡散過程を暗黙的にモデル化し、レコメンデーションプロセスの不整合をもたらす。
第二に、既存のメソッドは暗黙的または明示的な条件拡散モデルに依存しており、ユーザの振る舞いのコンテキストを完全にキャプチャする能力を制限し、より堅牢なターゲットアイテムの埋め込みに繋がる。
本稿では,DCRec(Dual Conditional Diffusion Models for Sequential Recommendation)を提案する。
本フレームワークでは,逆対象項目表現から離散項目インデックスへの遷移をモデル化する完全マルコフ連鎖を導入し,拡散モデルのための離散的かつ連続的な項目空間をブリッジし,拡散フレームワークとの整合性を確保する。
本稿では,拡散型SRの暗黙条件と明示条件を組み込んだDCDT(Dual Conditional Diffusion Transformer)を提案する。
公開ベンチマークデータセットに関する大規模な実験は、DCRecが最先端の手法より優れていることを示している。
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) - Rectified Diffusion Guidance for Conditional Generation [62.00207951161297]
CFGの背後にある理論を再検討し、組合せ係数の不適切な構成(すなわち、広く使われている和対1バージョン)が生成分布の期待シフトをもたらすことを厳密に確認する。
本稿では,誘導係数を緩和したReCFGを提案する。
このようにして、修正された係数は観測されたデータをトラバースすることで容易に事前計算でき、サンプリング速度はほとんど影響を受けない。
論文 参考訳（メタデータ） (2024-10-24T13:41:32Z) - Convergence Analysis of Discrete Diffusion Model: Exact Implementation
through Uniformization [17.535229185525353]
連続マルコフ連鎖の均一化を利用したアルゴリズムを導入し、ランダムな時間点の遷移を実装した。
我々の結果は、$mathbbRd$における拡散モデルの最先端の成果と一致し、さらに$mathbbRd$設定と比較して離散拡散モデルの利点を浮き彫りにする。
論文 参考訳（メタデータ） (2024-02-12T22:26:52Z) - Non-Cross Diffusion for Semantic Consistency [12.645444338043934]
常微分方程式(ODE)モデルを学習するための生成モデリングにおける革新的アプローチであるNon-Cross Diffusionを導入する。
提案手法は,2つの分布からサンプリングされた点を非交差経路で効果的に接続する,入力の上昇次元を戦略的に組み込む。
論文 参考訳（メタデータ） (2023-11-30T05:53:39Z) - Semi-Implicit Denoising Diffusion Models (SIDDMs) [50.30163684539586]
Denoising Diffusion Probabilistic Models (DDPM)のような既存のモデルは、高品質で多様なサンプルを提供するが、本質的に多くの反復的なステップによって遅くなる。
暗黙的要因と明示的要因を一致させることにより、この問題に対処する新しいアプローチを導入する。
提案手法は拡散モデルに匹敵する生成性能と,少数のサンプリングステップを持つモデルに比較して非常に優れた結果が得られることを示す。
論文 参考訳（メタデータ） (2023-06-21T18:49:22Z) - Variance-Preserving-Based Interpolation Diffusion Models for Speech
Enhancement [53.2171981279647]
本稿では,VP-および分散拡散(VE)に基づく拡散法の両方をカプセル化するフレームワークを提案する。
本研究では,拡散モデルで発生する一般的な困難を解析し,性能の向上とモデルトレーニングの容易化を図る。
我々は,提案手法の有効性を示すために,公開ベンチマークを用いたいくつかの手法によるモデルの評価を行った。
論文 参考訳（メタデータ） (2023-06-14T14:22:22Z) - Enhanced Controllability of Diffusion Models via Feature Disentanglement and Realism-Enhanced Sampling Methods [27.014858633903867]
拡散モデル(FDiff)の特徴分散のためのトレーニングフレームワークを提案する。
本稿では,拡散モデルの現実性を高め,制御性を高める2つのサンプリング手法を提案する。
論文 参考訳（メタデータ） (2023-02-28T07:43:00Z) - Unifying Diffusion Models' Latent Space, with Applications to
CycleDiffusion and Guidance [95.12230117950232]
関係領域で独立に訓練された2つの拡散モデルから共通潜時空間が現れることを示す。
テキスト・画像拡散モデルにCycleDiffusionを適用することで、大規模なテキスト・画像拡散モデルがゼロショット画像・画像拡散エディタとして使用できることを示す。
論文 参考訳（メタデータ） (2022-10-11T15:53:52Z)
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。