論文の概要: Collaborative Diffusion Model for Recommender System

• arxiv url: http://arxiv.org/abs/2501.18997v1
• Date: Fri, 31 Jan 2025 10:05:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-03 13:57:43.818836
• Title: Collaborative Diffusion Model for Recommender System
• Title（参考訳）: リコメンダシステムの協調拡散モデル
• Authors: Gyuseok Lee, Yaochen Zhu, Hwanjo Yu, Yao Zhou, Jundong Li,
• Abstract要約: Recommender System (CDiff4Rec) のための協調拡散モデルを提案する。 CDiff4Recはアイテム機能から擬似ユーザを生成し、本物と偽の個人的隣人の両方から協調的な信号を利用する。 3つの公開データセットによる実験結果から、CDiff4Recは、パーソナライズされた情報の損失を効果的に軽減することで、競合より優れていることが示された。
• 参考スコア（独自算出の注目度）: 52.56609747408617
• License:
• Abstract: Diffusion-based recommender systems (DR) have gained increasing attention for their advanced generative and denoising capabilities. However, existing DR face two central limitations: (i) a trade-off between enhancing generative capacity via noise injection and retaining the loss of personalized information. (ii) the underutilization of rich item-side information. To address these challenges, we present a Collaborative Diffusion model for Recommender System (CDiff4Rec). Specifically, CDiff4Rec generates pseudo-users from item features and leverages collaborative signals from both real and pseudo personalized neighbors identified through behavioral similarity, thereby effectively reconstructing nuanced user preferences. Experimental results on three public datasets show that CDiff4Rec outperforms competitors by effectively mitigating the loss of personalized information through the integration of item content and collaborative signals.
• Abstract（参考訳）: 拡散に基づくレコメンドシステム(DR)は、その先進的な生成・認知能力に注目が集まっている。 しかし、既存のDRは2つの中心的な制限に直面している。 一 ノイズ注入による再生能力の向上とパーソナライズされた情報の喪失の維持とのトレードオフ (ii)リッチアイテムサイド情報の未利用 これらの課題に対処するために,Recommender System (CDiff4Rec) のための協調拡散モデルを提案する。 具体的には、CDiff4Recは、アイテムの特徴から擬似ユーザを生成し、行動的類似性によって識別された実物と擬似の個人的隣人の両方からの協調信号を利用して、ニュアンス化されたユーザの好みを効果的に再構築する。 3つの公開データセットによる実験結果から、CDiff4Recは、アイテムコンテンツと協調信号の統合によるパーソナライズされた情報の損失を効果的に軽減することにより、競合より優れていた。

関連論文リスト

• Personalized Denoising Implicit Feedback for Robust Recommender System [60.719158008403376]
  ユーザの個人的損失分布には,正常なインタラクションとノイズの多いインタラクションが明確に区別されていることを示す。 本稿では,ユーザのパーソナライズロス分布であるPLDを用いてDenoiseに対する再サンプリング戦略を提案する。
  論文  参考訳（メタデータ） (2025-02-01T07:13:06Z)
• Mitigating Dual Latent Confounding Biases in Recommender Systems [16.119503935921188]
  本稿では,器用変数(IV)アプローチと識別可能な変分自動エンコーダ(iVAE)を併用したデバイアス化手法を提案する。 IViDRは、アイテムとユーザからのフィードバックの間に潜伏した共同創設者が引き起こした矛盾するバイアスに対処する。 それは、アイテムの露出とユーザからのフィードバックの間に潜伏した共同創設者の識別可能な表現を、元のデータとデバイアスされたインタラクションデータの両方から推論する。
  論文  参考訳（メタデータ） (2024-10-16T10:58:53Z)
• DiffATR: Diffusion-based Generative Modeling for Audio-Text Retrieval [49.076590578101985]
  ノイズから関節分布を生成する拡散型ATRフレームワーク(DiffATR)を提案する。 優れたパフォーマンスを持つAudioCapsとClothoデータセットの実験は、我々のアプローチの有効性を検証する。
  論文  参考訳（メタデータ） (2024-09-16T06:33:26Z)
• DimeRec: A Unified Framework for Enhanced Sequential Recommendation via Generative Diffusion Models [39.49215596285211]
  シークエンシャルレコメンデーション(SR:Sequential Recommendation)は、非定常的な歴史的相互作用に基づいてユーザの好みに合わせてレコメンデーションを調整することによって、レコメンデーションシステムにおいて重要な役割を担っている。 誘導抽出モジュール(GEM)と生成拡散凝集モジュール(DAM)を組み合わせたDimeRecという新しいフレームワークを提案する。 我々の数値実験により、DimeRecは3つの公開データセットで確立されたベースライン法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-22T06:42:09Z)
• Source Echo Chamber: Exploring the Escalation of Source Bias in User, Data, and Recommender System Feedback Loop [65.23044868332693]
  本稿では,ソースバイアスがレコメンデーションシステムの領域に与える影響について検討する。 ソースバイアスの頻度を示し、ソースバイアスを増幅した潜在的デジタルエコーチャンバーを明らかにする。 我々は,HGCとAIGCの両方に対してモデル不均一性を維持するブラックボックスデバイアス法を導入する。
  論文  参考訳（メタデータ） (2024-05-28T09:34:50Z)
• Collaborative Filtering Based on Diffusion Models: Unveiling the Potential of High-Order Connectivity [10.683635786183894]
  CF-Diffは新しい拡散モデルに基づく協調フィルタリング手法である。 マルチホップの隣人と一緒に、協調的な信号を完全に活用することができる。 最高の競争相手に比べて7.29%も上昇している。
  論文  参考訳（メタデータ） (2024-04-22T14:49:46Z)
• DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
  現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。 セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。 本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
  論文  参考訳（メタデータ） (2024-03-20T04:58:03Z)
• IPED: An Implicit Perspective for Relational Triple Extraction based on Diffusion Model [7.894136732348917]
  拡散モデル(IPED)に基づく三重抽出のインプシット・パースペクティブ 拡散モデル(IPED)に基づく三重抽出のためのインプリシト視点を提案する。 私たちのソリューションでは、ブロックカバレッジを使用してテーブルを補完し、明示的なタグ付けメソッドの制限を回避する。
  論文  参考訳（メタデータ） (2024-02-24T14:18:11Z)
• 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)
• Parallel Augmentation and Dual Enhancement for Occluded Person Re-identification [70.96277129480478]
  被占領者の再識別(Re-ID)はここ数十年で多くの注目を集めている。 近年のアプローチは、隠蔽データの性能向上に重点を置いている。 PADE(Parallel Augmentation and Dual Enhancement)を用いた簡易かつ効果的な手法を提案する。 提案手法の有効性を検証するために, 広く使用されている3つの隠蔽データセットと2つの非隠蔽データセットの実験結果を得た。
  論文  参考訳（メタデータ） (2022-10-11T13:29:38Z)

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。