論文の概要: Generating Negative Samples for Multi-Modal Recommendation

• arxiv url: http://arxiv.org/abs/2501.15183v1
• Date: Sat, 25 Jan 2025 11:45:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:53:46.866567
• Title: Generating Negative Samples for Multi-Modal Recommendation
• Title（参考訳）: マルチモーダルレコメンデーションのための負のサンプルの生成
• Authors: Yanbiao Ji, Yue Ding, Dan Luo, Chang Liu, Jing Tong, Shaokai Wi, Hongtao Lu,
• Abstract要約: マルチモーダルリコメンデータシステム(MMRS)は、様々なモダリティの情報を活用してレコメンデーション品質を高める能力によって注目されている。 既存のネガティブサンプリング技術は、しばしばマルチモーダルデータを効果的に活用するのに苦労し、最適以下のパフォーマンスをもたらす。 我々は,マルチモーダルな大言語モデル(MLLM)を用いて,バランスの取れた負のサンプルを生成する新しいフレームワークNegGenを提案する。
• 参考スコア（独自算出の注目度）: 15.777894926817812
• License:
• Abstract: Multi-modal recommender systems (MMRS) have gained significant attention due to their ability to leverage information from various modalities to enhance recommendation quality. However, existing negative sampling techniques often struggle to effectively utilize the multi-modal data, leading to suboptimal performance. In this paper, we identify two key challenges in negative sampling for MMRS: (1) producing cohesive negative samples contrasting with positive samples and (2) maintaining a balanced influence across different modalities. To address these challenges, we propose NegGen, a novel framework that utilizes multi-modal large language models (MLLMs) to generate balanced and contrastive negative samples. We design three different prompt templates to enable NegGen to analyze and manipulate item attributes across multiple modalities, and then generate negative samples that introduce better supervision signals and ensure modality balance. Furthermore, NegGen employs a causal learning module to disentangle the effect of intervened key features and irrelevant item attributes, enabling fine-grained learning of user preferences. Extensive experiments on real-world datasets demonstrate the superior performance of NegGen compared to state-of-the-art methods in both negative sampling and multi-modal recommendation.
• Abstract（参考訳）: マルチモーダルリコメンデータシステム(MMRS)は、様々なモダリティの情報を活用してレコメンデーション品質を高める能力によって注目されている。 しかし、既存のネガティブサンプリング技術は、しばしばマルチモーダルデータを効果的に活用するのに苦労し、最適以下の性能をもたらす。 本稿では,MMRSにおける負のサンプリングにおいて,(1)正のサンプルと対照的な粘着性負のサンプルを生成し,(2)異なるモダリティにまたがるバランスの取れた影響を維持することの2つの重要な課題を同定する。 これらの課題に対処するために,マルチモーダルな大言語モデル(MLLM)を用いて,バランスの取れた負のサンプルを生成する新しいフレームワークNegGenを提案する。 我々は3つの異なるプロンプトテンプレートを設計し、NegGenが複数のモダリティをまたいだアイテム属性を分析し、操作できるようにし、さらに、より良い監視信号を導入し、モダリティバランスを確保する負のサンプルを生成する。 さらに、NegGenは因果学習モジュールを使用して、インターバルキー特徴と無関係なアイテム属性の影響を解消し、ユーザの好みのきめ細かい学習を可能にする。 実世界のデータセットに対する大規模な実験は、ネガティブサンプリングとマルチモーダルレコメンデーションの両方において、最先端の手法と比較して、NegGenの優れた性能を示している。

関連論文リスト

• Dissecting Misalignment of Multimodal Large Language Models via Influence Function [12.832792175138241]
  コントラスト損失に対する拡張影響関数 (ECIF) を導入し, コントラスト損失に対する影響関数について検討した。 ECIFは正と負の両方のサンプルを考慮し、対照的な学習モデルの閉形式近似を提供する。 ECIFを基盤として,MLLMにおけるデータ評価,誤アライメント検出,誤予測トレースバックタスクなどの一連のアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-11-18T15:45:41Z)
• Multimodal Contrastive Learning with Hard Negative Sampling for Human Activity Recognition [14.88934924520362]
  HAR(Human Activity Recognition)システムは、ビジョンとユビキタスコンピューティングコミュニティによって広く研究されている。 骨格とIMUデータペアのハードネガティブサンプリング損失を有するマルチモーダルHARのハードネガティブサンプリング法を提案する。 我々は,HARタスクの強い特徴表現を学習するためのアプローチの頑健さと,限られたデータ設定上での頑健さを実証する。
  論文  参考訳（メタデータ） (2023-09-03T20:00:37Z)
• Cluster-guided Contrastive Graph Clustering Network [53.16233290797777]
  クラスタ誘導コントラストグラフクラスタリングネットワーク(CCGC)を提案する。 我々は、兄弟のサブネットワーク間で重みが共有されない特別なシームズエンコーダを設計することにより、グラフの2つのビューを構築する。 意味的な負のサンプルペアを構築するために、異なる高信頼度クラスタの中心を負のサンプルとみなす。
  論文  参考訳（メタデータ） (2023-01-03T13:42:38Z)
• Generating Negative Samples for Sequential Recommendation [83.60655196391855]
  逐次レコメンデーション(SR)のための負のサンプル(イテム)を生成することを提案する。 アイテムに対する現在のSRモデルの学習されたユーザの好みに基づいて、各タイムステップで負の項目をサンプリングする。 4つの公開データセットの実験は、SRに高品質な負のサンプルを提供することの重要性を検証する。
  論文  参考訳（メタデータ） (2022-08-07T05:44:13Z)
• Rethinking InfoNCE: How Many Negative Samples Do You Need? [54.146208195806636]
  半定量的理論フレームワークを用いて, InfoNCE に最適化された負のサンプル数について検討した。 トレーニングの有効性関数を最大化する$K$値を用いて,最適負サンプリング比を推定する。
  論文  参考訳（メタデータ） (2021-05-27T08:38:29Z)
• Solving Inefficiency of Self-supervised Representation Learning [87.30876679780532]
  既存のコントラスト学習法は、非常に低い学習効率に苦しむ。 アンダークラスタリングとオーバークラスタリングの問題は、学習効率の大きな障害である。 中央三重項損失を用いた新しい自己監督学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-18T07:47:10Z)
• Doubly Contrastive Deep Clustering [135.7001508427597]
  本稿では、サンプルビューとクラスビューの両方でコントラスト損失を構築する新しい二重コントラストディープクラスタリング(DCDC)フレームワークを紹介します。 具体的には、サンプルビューに対して、元のサンプルとその拡張バージョンのクラス分布を正のサンプルペアとして設定する。 クラスビューでは、クラスのサンプル分布から正のペアと負のペアを構築します。 このように、2つのコントラスト損失は、サンプルとクラスレベルでのミニバッチサンプルのクラスタリング結果をうまく制限します。
  論文  参考訳（メタデータ） (2021-03-09T15:15:32Z)
• Simplify and Robustify Negative Sampling for Implicit Collaborative Filtering [42.832851785261894]
  本稿では,まず,モデル学習において潜在的に重要な事例が少数存在することを実証的に観察し,ネガティブな事例を新たに理解する。 次に、メモリに格納された高分散サンプルを好んで、修正されていない偽陰性問題に取り組む。 2つの合成データセットと3つの実世界のデータセットの実証結果は、我々の負サンプリング法の堅牢性と優位性を示している。
  論文  参考訳（メタデータ） (2020-09-07T19:08:26Z)
• Reinforced Negative Sampling over Knowledge Graph for Recommendation [106.07209348727564]
  我々は、高品質なネガティブを探索する強化学習エージェントとして機能する新しい負サンプリングモデル、知識グラフポリシーネットワーク(kgPolicy)を開発した。 kgPolicyは、ターゲットのポジティブなインタラクションからナビゲートし、知識を意識したネガティブなシグナルを適応的に受信し、最終的にはリコメンダをトレーニングする潜在的なネガティブなアイテムを生成する。
  論文  参考訳（メタデータ） (2020-03-12T12:44:30Z)

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。