論文の概要: Exploring Preference-Guided Diffusion Model for Cross-Domain Recommendation

• arxiv url: http://arxiv.org/abs/2501.11671v1
• Date: Mon, 20 Jan 2025 18:55:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:19:04.811677
• Title: Exploring Preference-Guided Diffusion Model for Cross-Domain Recommendation
• Title（参考訳）: クロスドメイン勧告のための優先誘導拡散モデルの検討
• Authors: Xiaodong Li, Hengzhu Tang, Jiawei Sheng, Xinghua Zhang, Li Gao, Suqi Cheng, Dawei Yin, Tingwen Liu,
• Abstract要約: クロスドメインレコメンデーション(CDR)は、コールドスタート問題を緩和するための有望な方法として証明されている。 最も重要な問題は、ターゲットドメインに情報的ユーザ表現を描画する方法である。 DMCDRと呼ばれるコールドスタートユーザに対して,CDRのためのPreference-Guided Diffusion Modelを提案する。
• 参考スコア（独自算出の注目度）: 37.13651515982681
• License:
• Abstract: Cross-domain recommendation (CDR) has been proven as a promising way to alleviate the cold-start issue, in which the most critical problem is how to draw an informative user representation in the target domain via the transfer of user preference existing in the source domain. Prior efforts mostly follow the embedding-and-mapping paradigm, which first integrate the preference into user representation in the source domain, and then perform a mapping function on this representation to the target domain. However, they focus on mapping features across domains, neglecting to explicitly model the preference integration process, which may lead to learning coarse user representation. Diffusion models (DMs), which contribute to more accurate user/item representations due to their explicit information injection capability, have achieved promising performance in recommendation systems. Nevertheless, these DMs-based methods cannot directly account for valuable user preference in other domains, leading to challenges in adapting to the transfer of preference for cold-start users. Consequently, the feasibility of DMs for CDR remains underexplored. To this end, we explore to utilize the explicit information injection capability of DMs for user preference integration and propose a Preference-Guided Diffusion Model for CDR to cold-start users, termed as DMCDR. Specifically, we leverage a preference encoder to establish the preference guidance signal with the user's interaction history in the source domain. Then, we explicitly inject the preference guidance signal into the user representation step by step to guide the reverse process, and ultimately generate the personalized user representation in the target domain, thus achieving the transfer of user preference across domains. Furthermore, we comprehensively explore the impact of six DMs-based variants on CDR.
• Abstract（参考訳）: クロスドメインレコメンデーション(CDR)がコールドスタート問題を緩和する有望な方法として証明されている。最も大きな問題は、ソースドメインに存在するユーザの好みの転送を通じて、ターゲットドメインに情報的ユーザ表現を描画する方法である。 このパラダイムは、まずソースドメインのユーザ表現に優先順位を統合し、次に、この表現をターゲットドメインにマッピングする関数を実行する。 しかし、彼らはドメイン間の機能をマッピングすることに重点を置いており、好みの統合プロセスを明示的にモデル化することを無視しており、これは粗いユーザ表現の学習につながる可能性がある。 明示的な情報注入能力により,より正確なユーザ/イテム表現に寄与する拡散モデル (DM) は,レコメンデーションシステムにおいて有望な性能を達成した。 しかしながら、これらのDMベースの手法は、他のドメインで価値あるユーザの好みを直接説明できないため、コールドスタートユーザーの好みの伝達に適応する上での課題となる。 その結果、CDRのためのDMの実現可能性はまだ未解明のままである。 そこで本研究では,DMの明示的な情報注入機能をユーザ嗜好統合に活用し,DMCDRと呼ばれるコールドスタートユーザに対して,CDRのためのPreference-Guided Diffusion Modelを提案する。 具体的には、プライオリティエンコーダを利用して、ソースドメイン内のユーザのインタラクション履歴とプライオリティガイダンス信号を確立する。 そこで我々は、ユーザ表現のステップに優先誘導信号を明示的に注入し、逆処理をガイドし、最終的にターゲットドメインにパーソナライズされたユーザ表現を生成し、ドメイン間でのユーザ好みの転送を実現する。 さらに,6種類のDMがCDRに与える影響を包括的に検討した。

関連論文リスト

• Coherence-guided Preference Disentanglement for Cross-domain Recommendations [71.4198675855171]
  本研究では,共有項目属性を明示的に抽出し,共有ユーザの好みを学習するためのコヒーレンス誘導型参照不整合(CoPD)手法を提案する。 実世界のデータセットで行った実験は、既存の競争ベースラインよりも提案したCoPDの優れた性能を示し、ドメイン間の推薦性能を向上させる効果を強調した。
  論文  参考訳（メタデータ） (2024-10-27T20:21:14Z)
• 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)
• MDAP: A Multi-view Disentangled and Adaptive Preference Learning Framework for Cross-Domain Recommendation [63.27390451208503]
  クロスドメインレコメンデーションシステムは、マルチドメインユーザインタラクションを活用してパフォーマンスを向上させる。 マルチビュー・ディスタングル・アダプティブ・プライスラーニング・フレームワークを提案する。 当社のフレームワークはマルチビューエンコーダを使用して,多様なユーザの好みをキャプチャする。
  論文  参考訳（メタデータ） (2024-10-08T10:06:45Z)
• Cross-domain Transfer of Valence Preferences via a Meta-optimization Approach [17.545983294377958]
  CVPMはメタラーニングと自己教師型学習のハイブリッドアーキテクチャとして、ドメイン間の関心伝達を形式化する。 ユーザの好みに対する深い洞察を得て、差別化されたエンコーダを使って分布を学習する。 特に、各ユーザのマッピングを共通の変換とパーソナライズされたバイアスの2つの部分として扱い、そこでは、パーソナライズされたバイアスを生成するネットワークがメタラーナーによって出力される。
  論文  参考訳（メタデータ） (2024-06-24T10:02:24Z)
• Diffusion Cross-domain Recommendation [0.0]
  コールドスタートユーザに高品質な結果を提供するために拡散クロスドメイン勧告(DiffCDR)を提案する。 まず、DPMの理論を採用し、ターゲットドメインにユーザの埋め込みを生成する拡散モジュール(DIM)を設計する。 さらに、ターゲットドメインのラベルデータを検討し、タスク指向の損失関数を作成し、DiffCDRが特定のタスクに適応できるようにする。
  論文  参考訳（メタデータ） (2024-02-03T15:14:51Z)
• 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)
• Personalized Transfer of User Preferences for Cross-domain Recommendation [31.66579257624623]
  ソースドメインからターゲットドメインにユーザの好みを転送する方法は、クロスドメインレコメンデーションにおいて重要な問題である。 PTUPCDR(Personalized Transfer of User Preferences for Cross-domain Recommendation)という新しいフレームワークを提案する。 寒冷期および暖暖期におけるPTUPCDRの有効性を評価するための広範な実験を行った。
  論文  参考訳（メタデータ） (2021-10-21T13:59:18Z)
• Transfer-Meta Framework for Cross-domain Recommendation to Cold-Start Users [31.949188328354854]
  クロスドメインレコメンデーション(CDR)は、補助的な(ソース)ドメインからの豊富な情報を使用して、ターゲットドメインにおけるレコメンダシステムの性能を改善する。 トランスファーステージとメタステージを有するCDR(TMCDR)のためのトランスファーメタフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-11T05:15:53Z)
• CATN: Cross-Domain Recommendation for Cold-Start Users via Aspect Transfer Network [49.35977893592626]
  コールドスタートユーザのためのアスペクト転送ネットワークによるクロスドメインレコメンデーションフレームワーク(CATN)を提案する。 CATNは、レビュー文書から各ユーザと各アイテムの複数のアスペクトを抽出し、注意機構を用いてドメイン間のアスペクト相関を学習する。 実世界のデータセットでは、提案したCATNは、評価予測精度の点でSOTAモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2020-05-21T10:05:19Z)

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。