論文の概要: BRIDGE: Bundle Recommendation via Instruction-Driven Generation

• arxiv url: http://arxiv.org/abs/2412.18092v1
• Date: Tue, 24 Dec 2024 02:07:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-25 15:56:44.483464
• Title: BRIDGE: Bundle Recommendation via Instruction-Driven Generation
• Title（参考訳）: BRIDGE: 命令駆動生成によるバンドル勧告
• Authors: Tuan-Nghia Bui, Huy-Son Nguyen, Cam-Van Nguyen Thi, Hoang-Quynh Le, Duc-Trong Le,
• Abstract要約: BRIDGEはバンドルレコメンデーションのための新しいフレームワークである。 これは2つの主要なコンポーネント、すなわち相関ベースのアイテムクラスタリングと擬似バンドル生成モジュールで構成されている。 その結果,5つのベンチマークデータセットにまたがる最先端のランキングベース手法よりも,モデルの優位性が検証された。
• 参考スコア（独自算出の注目度）: 2.115789253980982
• License:
• Abstract: Bundle recommendation aims to suggest a set of interconnected items to users. However, diverse interaction types and sparse interaction matrices often pose challenges for previous approaches in accurately predicting user-bundle adoptions. Inspired by the distant supervision strategy and generative paradigm, we propose BRIDGE, a novel framework for bundle recommendation. It consists of two main components namely the correlation-based item clustering and the pseudo bundle generation modules. Inspired by the distant supervision approach, the former is to generate more auxiliary information, e.g., instructive item clusters, for training without using external data. This information is subsequently aggregated with collaborative signals from user historical interactions to create pseudo `ideal' bundles. This capability allows BRIDGE to explore all aspects of bundles, rather than being limited to existing real-world bundles. It effectively bridging the gap between user imagination and predefined bundles, hence improving the bundle recommendation performance. Experimental results validate the superiority of our models over state-of-the-art ranking-based methods across five benchmark datasets.
• Abstract（参考訳）: Bundleのレコメンデーションは、相互接続されたアイテムのセットをユーザに提案することを目的としている。 しかしながら、多様なインタラクションタイプと疎結合行列は、ユーザバンドルの採用を正確に予測する上で、以前のアプローチに対してしばしば課題を提起する。 遠隔監視戦略と生成パラダイムに着想を得て,バンドルレコメンデーションのための新しいフレームワークBRIDGEを提案する。 これは2つの主要なコンポーネント、すなわち相関ベースのアイテムクラスタリングと擬似バンドル生成モジュールで構成されている。 遠隔監視のアプローチにインスパイアされた前者は、外部データを使わずにトレーニングするために、より補助的な情報(例えば、インストラクティブアイテムクラスタ)を生成する。 この情報はその後、ユーザの歴史的なインタラクションからの協調的なシグナルで集約され、擬似的な 'ideal' バンドルが生成される。 この能力によりBRIDGEは、既存の実世界のバンドルに制限されるのではなく、バンドルのあらゆる側面を探索することができる。 これにより、ユーザの想像力と定義済みバンドルのギャップを効果的に埋め、バンドルレコメンデーションのパフォーマンスが向上する。 実験結果は,5つのベンチマークデータセットにおける最先端のランキングベース手法よりも,モデルの方が優れていることを検証した。

関連論文リスト

• A Survey on Bundle Recommendation: Methods, Applications, and Challenges [20.550845591685604]
  この調査は、バンドルレコメンデーションに関する包括的なレビューを提供する。 我々は、様々なアプリケーションドメインからのバンドル戦略、すなわち識別的および生成的バンドルレコメンデーションに基づいて、それを2つのカテゴリに分類する。 本稿では,本研究の課題を論じ,バンドルレコメンデーション分野における将来的な方向性を明らかにするとともに,研究者や実践者にとって有用なリソースとなることを目的とする。
  論文  参考訳（メタデータ） (2024-11-01T03:43:50Z)
• GaVaMoE: Gaussian-Variational Gated Mixture of Experts for Explainable Recommendation [55.769720670731516]
  GaVaMoEは、説明可能なレコメンデーションのための新しいフレームワークである。 特定のユーザータイプや好みのカスタマイズされた説明を生成する。 疎いユーザ-イテムインタラクションのシナリオでは、堅牢なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-10-15T17:59:30Z)
• Bundle Recommendation with Item-level Causation-enhanced Multi-view Learning [1.901404011684453]
  項目レベルの因果関係を強化した多視点学習を用いた新しいバンドルレコメンデーション手法である BunCa を提案する。 BunCaは、Coherent ViewとCohesive Viewという2つのビューを通じて、ユーザとバンドルの包括的な表現を提供する。 BunCaによる3つのベンチマークデータセットの実験は、この新しい研究の有効性を実証している。
  論文  参考訳（メタデータ） (2024-08-13T07:05:27Z)
• BiVRec: Bidirectional View-based Multimodal Sequential Recommendation [55.87443627659778]
  我々は,IDとマルチモーダルの両方で推薦タスクを共同で訓練する,革新的なフレームワークであるBivRecを提案する。 BivRecは5つのデータセットで最先端のパフォーマンスを達成し、様々な実用的な利点を示している。
  論文  参考訳（メタデータ） (2024-02-27T09:10:41Z)
• Hypergrah-Enhanced Dual Convolutional Network for Bundle Recommendation [29.674627482358623]
  我々は、ハイパーグラフ強化デュアル畳み込みニューラルネットワーク(HED)と呼ばれるバンドルレコメンデーションのための統一モデルを開発する。 まず、ユーザ、アイテム、バンドル間のインタラクションのダイナミクスを捉えるための完全なハイパーグラフを構築し、続いてU-Bインタラクション情報を組み込んで、ユーザから派生した情報表現を強化し、組込みベクトルをバンドルする。
  論文  参考訳（メタデータ） (2023-12-18T08:35:10Z)
• Accurate Bundle Matching and Generation via Multitask Learning with Partially Shared Parameters [26.86672946938231]
  バンドルマッチングと生成の正確なアプローチである BundleMage を提案する。 本稿では,バンドルマッチングにおけるnDCGの最大6.6%,バンドル生成におけるnDCGの最大6.3倍を達成することを示す。
  論文  参考訳（メタデータ） (2022-10-19T09:46:20Z)
• Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
  本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-08T09:44:00Z)
• Dynamic Graph Collaborative Filtering [64.87765663208927]
  動的レコメンデーションは,逐次データに基づくリアルタイム予測を提供するレコメンデータシステムにとって不可欠である。 本稿では、動的グラフを利用して協調関係とシーケンシャル関係をキャプチャする新しいフレームワーク、Dynamic Graph Collaborative Filtering (DGCF)を提案する。 提案手法は, 動的協調情報の統合の有効性を示すため, 動作繰り返しの少ないデータセットでは高い性能を実現する。
  論文  参考訳（メタデータ） (2021-01-08T04:16:24Z)
• Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
  我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。 我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。 私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
  論文  参考訳（メタデータ） (2020-05-19T10:18:43Z)
• Bundle Recommendation with Graph Convolutional Networks [71.95344006365914]
  既存のソリューションは、モデルパラメータを共有したり、マルチタスクで学習することで、ユーザーと対話モデリングをバンドルレコメンデーションに統合します。 本稿では,バンドルレコメンデーションのためのBGCN(textittextBFBundle textBFGraph textBFConvolutional textBFNetwork)というグラフニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2020-05-07T13:48:26Z)

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。