Fugu-MT 論文翻訳(概要): Distinguished Quantized Guidance for Diffusion-based Sequence Recommendation

論文の概要: Distinguished Quantized Guidance for Diffusion-based Sequence Recommendation

arxiv url: http://arxiv.org/abs/2501.17670v1
Date: Wed, 29 Jan 2025 14:20:42 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-30 15:52:47.767514
Title: Distinguished Quantized Guidance for Diffusion-based Sequence Recommendation
Title（参考訳）: 拡散に基づくシーケンスレコメンデーションのための分散量子化誘導
Authors: Wenyu Mao, Shuchang Liu, Haoyang Liu, Haozhe Liu, Xiang Li, Lanatao Hu,
Abstract要約: 拡散型シーケンスレコメンデーション(DiQDiff)のための分散量子ガイダンスを提案する。 DiQDiffは、ユーザ関心を理解するための堅牢なガイダンスを抽出し、DM内でパーソナライズされたユーザ関心のための優れたアイテムを生成することを目的としている。先行するアプローチに対するDiQDiffの優れたレコメンデーション性能は、シーケンシャルなレコメンデーションタスクにおける有効性を示している。
参考スコア（独自算出の注目度）: 7.6572888950554905
License:
Abstract: Diffusion models (DMs) have emerged as promising approaches for sequential recommendation due to their strong ability to model data distributions and generate high-quality items. Existing work typically adds noise to the next item and progressively denoises it guided by the user's interaction sequence, generating items that closely align with user interests. However, we identify two key issues in this paradigm. First, the sequences are often heterogeneous in length and content, exhibiting noise due to stochastic user behaviors. Using such sequences as guidance may hinder DMs from accurately understanding user interests. Second, DMs are prone to data bias and tend to generate only the popular items that dominate the training dataset, thus failing to meet the personalized needs of different users. To address these issues, we propose Distinguished Quantized Guidance for Diffusion-based Sequence Recommendation (DiQDiff), which aims to extract robust guidance to understand user interests and generate distinguished items for personalized user interests within DMs. To extract robust guidance, DiQDiff introduces Semantic Vector Quantization (SVQ) to quantize sequences into semantic vectors (e.g., collaborative signals and category interests) using a codebook, which can enrich the guidance to better understand user interests. To generate distinguished items, DiQDiff personalizes the generation through Contrastive Discrepancy Maximization (CDM), which maximizes the distance between denoising trajectories using contrastive loss to prevent biased generation for different users. Extensive experiments are conducted to compare DiQDiff with multiple baseline models across four widely-used datasets. The superior recommendation performance of DiQDiff against leading approaches demonstrates its effectiveness in sequential recommendation tasks.
Abstract（参考訳）: 拡散モデル(DM)は、データ分散をモデル化し、高品質なアイテムを生成する能力の強いことから、逐次レコメンデーションのための有望なアプローチとして現れてきた。既存の作業は、通常、次の項目にノイズを加え、ユーザのインタラクションシーケンスによってガイドされるものを段階的に denoise し、ユーザの関心事と密接に一致したアイテムを生成します。しかし、このパラダイムには2つの重要な問題がある。第一に、シーケンスは長さと内容が不均一であることが多く、確率的なユーザ行動によるノイズが現れる。このようなシーケンスをガイダンスとして使用すると、DMがユーザの関心を正確に理解するのを妨げる可能性がある。第二に、DMはデータバイアスを起こしやすいため、トレーニングデータセットを支配している人気のあるアイテムのみを生成する傾向があり、それによって、異なるユーザのパーソナライズされたニーズを満たすことができない。これらの課題に対処するため,拡散に基づくシーケンス勧告(DiQDiff)を提案する。堅牢なガイダンスを抽出するために、DiQDiffはSemantic Vector Quantization (SVQ)を導入した。優れた項目を生成するために、DQDiffはコントラスト離散最大化(CDM)を通じて生成をパーソナライズする。 DiQDiffと、広く使われている4つのデータセットにわたる複数のベースラインモデルを比較するために、大規模な実験が行われた。先行するアプローチに対するDiQDiffの優れたレコメンデーション性能は、シーケンシャルなレコメンデーションタスクにおける有効性を示している。

関連論文リスト

Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
論文参考訳（メタデータ） (2024-11-22T15:29:05Z)
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)
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)
Unleash LLMs Potential for Recommendation by Coordinating Twin-Tower Dynamic Semantic Token Generator [60.07198935747619]
動的セマンティック・インデックス・パラダイムを採用した最初の生成型RSであるTTDS(Twin-Tower Dynamic Semantic Recommender)を提案する。より具体的には、ツイン・トワー・セマンティック・トークン・ジェネレータをLLMベースのレコメンデータに統合する動的知識融合フレームワークを初めて提案する。提案したTTDSレコメンデータは,平均19.41%のヒットレート,20.84%のNDCG測定値を実現している。
論文参考訳（メタデータ） (2024-09-14T01:45:04Z)
Diffusion-based Contrastive Learning for Sequential Recommendation [6.3482831836623355]
本稿では,CaDiRecという,文脈対応拡散に基づく逐次推薦のためのコントラスト学習を提案する。 CaDiRecは、コンテキスト対応拡散モデルを使用して、シーケンス内の所定の位置に対する代替アイテムを生成する。フレームワーク全体をエンドツーエンドでトレーニングし、拡散モデルとレコメンデーションモデルの間でアイテムの埋め込みを共有します。
論文参考訳（メタデータ） (2024-05-15T14:20:37Z)
Diffusion Augmentation for Sequential Recommendation [47.43402785097255]
本稿では,より高品質な生成のためのDiffuASR(Diffusion Augmentation for Sequential Recommendation)を提案する。 DiffuASRによる強化データセットは、複雑なトレーニング手順なしで、シーケンシャルレコメンデーションモデルを直接トレーニングするために使用することができる。 3つの逐次レコメンデーションモデルを用いた3つの実世界のデータセットに関する広範な実験を行った。
論文参考訳（メタデータ） (2023-09-22T13:31:34Z)
MISSRec: Pre-training and Transferring Multi-modal Interest-aware Sequence Representation for Recommendation [61.45986275328629]
逐次レコメンデーションのためのマルチモーダル事前学習・転送学習フレームワークであるMISSRecを提案する。ユーザ側ではトランスフォーマーベースのエンコーダデコーダモデルを設計し、コンテキストエンコーダがシーケンスレベルのマルチモーダルユーザ興味を捉えることを学習する。候補項目側では,ユーザ適応項目表現を生成するために動的融合モジュールを採用する。
論文参考訳（メタデータ） (2023-08-22T04:06:56Z)
Contrastive Self-supervised Sequential Recommendation with Robust Augmentation [101.25762166231904]
Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
論文参考訳（メタデータ） (2021-08-14T07:15:25Z)

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。