論文の概要: Joint Similarity Item Exploration and Overlapped User Guidance for Multi-Modal Cross-Domain Recommendation

• arxiv url: http://arxiv.org/abs/2502.16068v1
• Date: Sat, 22 Feb 2025 03:57:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:51:35.693291
• Title: Joint Similarity Item Exploration and Overlapped User Guidance for Multi-Modal Cross-Domain Recommendation
• Title（参考訳）: マルチモーダルなクロスドメイン勧告のための類似項目探索とオーバーラップユーザガイダンス
• Authors: Weiming Liu, Chaochao Chen, Jiahe Xu, Xinting Liao, Fan Wang, Xiaolin Zheng, Zhihui Fu, Ruiguang Pei, Jun Wang,
• Abstract要約: マルチモーダル・クロスドメイン・レコメンデーション問題を解決するために,SIEOUG(Joint similarity Item Exploration and Overlapped User Guidance)を提案する。 SIEOUGは、MMCDR設定下での最先端モデルを著しく上回っていることを示す。
• 参考スコア（独自算出の注目度）: 27.00142195880019
• License:
• Abstract: Cross-Domain Recommendation (CDR) has been widely investigated for solving long-standing data sparsity problem via knowledge sharing across domains. In this paper, we focus on the Multi-Modal Cross-Domain Recommendation (MMCDR) problem where different items have multi-modal information while few users are overlapped across domains. MMCDR is particularly challenging in two aspects: fully exploiting diverse multi-modal information within each domain and leveraging useful knowledge transfer across domains. However, previous methods fail to cluster items with similar characteristics while filtering out inherit noises within different modalities, hurdling the model performance. What is worse, conventional CDR models primarily rely on overlapped users for domain adaptation, making them ill-equipped to handle scenarios where the majority of users are non-overlapped. To fill this gap, we propose Joint Similarity Item Exploration and Overlapped User Guidance (SIEOUG) for solving the MMCDR problem. SIEOUG first proposes similarity item exploration module, which not only obtains pair-wise and group-wise item-item graph knowledge, but also reduces irrelevant noise for multi-modal modeling. Then SIEOUG proposes user-item collaborative filtering module to aggregate user/item embeddings with the attention mechanism for collaborative filtering. Finally SIEOUG proposes overlapped user guidance module with optimal user matching for knowledge sharing across domains. Our empirical study on Amazon dataset with several different tasks demonstrates that SIEOUG significantly outperforms the state-of-the-art models under the MMCDR setting.
• Abstract（参考訳）: クロスドメイン勧告(CDR)は、ドメイン間の知識共有を通じて、長年にわたるデータの疎結合問題を解決するために広く研究されてきた。 本稿では,マルチモーダル・クロスドメイン・レコメンデーション(MMCDR, Multi-Modal Cross-Domain Recommendation)問題に焦点をあてる。 MMCDRは、各ドメイン内の多様なマルチモーダル情報を完全に活用し、ドメイン間の有用な知識伝達を活用するという2つの側面において特に困難である。 しかし、従来の手法では類似した特徴を持つアイテムをクラスタリングするのに失敗し、異なるモードで継承されたノイズをフィルタリングし、モデル性能を急ぐ。 さらに悪いことに、従来のCDRモデルは、主に重複したユーザをドメイン適応に頼っているため、大部分のユーザがオーバーラップしていないシナリオに対処できない。 このギャップを埋めるために,MMCDR問題を解決するための共同類似項目探索とオーバーラップユーザガイダンス(SIEOUG)を提案する。 SIEOUGが最初に提案する類似項目探索モジュールは、ペアワイドおよびグループワイドのアイテムイテムグラフ知識を得るだけでなく、マルチモーダルモデリングにおける無関係ノイズを低減する。 次に、SIEOUGは、ユーザ/イットの埋め込みを協調フィルタリングのためのアテンション機構で集約する、ユーザ/イットの協調フィルタリングモジュールを提案する。 最後に、SIEOUGはドメイン間の知識共有に最適なユーザマッチングを備えた重複ユーザガイダンスモジュールを提案する。 SIEOUGは、MMCDR設定下での最先端モデルを著しく上回っていることを示す。

関連論文リスト

• 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)
• MIMNet: Multi-Interest Meta Network with Multi-Granularity Target-Guided Attention for Cross-domain Recommendation [6.7902741961967]
  クロスドメインレコメンデーション(CDR)は、スパーシリティとコールドスタートの問題を緩和する上で重要な役割を果たす。 クロスドメインレコメンデーションのためのMIMNet(Multi-interest Meta Network)を提案する。
  論文  参考訳（メタデータ） (2024-07-31T13:30:34Z)
• Information Maximization via Variational Autoencoders for Cross-Domain Recommendation [26.099908029810756]
  我々は、情報最大化変分オートエンコーダ(textbftextttIM-VAE)という新しいCDSRフレームワークを導入する。 ここでは、下流の細粒度CDSRモデルに対するユーザのインタラクション履歴入力を強化するために擬似シーケンス生成器を提案する。 我々の知る限りでは、オープンワールドレコメンデーションシナリオにおける擬似シーケンスの情報のゆがみとデノベーションを考慮に入れた最初のCDSR作品である。
  論文  参考訳（メタデータ） (2024-05-31T09:07:03Z)
• Exploiting Graph Structured Cross-Domain Representation for Multi-Domain Recommendation [71.45854187886088]
  マルチドメインレコメンデータシステムは、クロスドメイン表現学習とポジティブな知識伝達の恩恵を受ける。 我々はMAGRecと呼ばれる手法のコンテキスト情報として時間的ドメイン内相互作用とドメイン間相互作用を用いる。 我々は、MAGRecが最先端の手法を一貫して上回る様々なシナリオで、公開データセットで実験を行う。
  論文  参考訳（メタデータ） (2023-02-12T19:51:32Z)
• 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)
• META: Mimicking Embedding via oThers' Aggregation for Generalizable Person Re-identification [68.39849081353704]
  Domain Generalizable (DG) Person Re-identification (ReID)は、トレーニング時に対象のドメインデータにアクセスすることなく、見えないドメインをまたいでテストすることを目的としている。 本稿では,DG ReID のための OThers' Aggregation (META) を用いた Mimicking Embedding という新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T08:06:50Z)
• Dual Metric Learning for Effective and Efficient Cross-Domain Recommendations [85.6250759280292]
  クロスドメインレコメンダーシステムは、消費者が異なるアプリケーションで有用なアイテムを識別するのを助けるためにますます価値があります。 既存のクロスドメインモデルは、通常、多くのオーバーラップユーザーを必要とするため、いくつかのアプリケーションでは取得が困難である。 本稿では,2つのドメイン間で情報を反復的に伝達する二元学習に基づく新しいクロスドメインレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2021-04-17T09:18:59Z)
• Learning to Combine: Knowledge Aggregation for Multi-Source Domain Adaptation [56.694330303488435]
  マルチソースドメイン適応(LtC-MSDA)フレームワークを併用する学習法を提案する。 簡単に言うと、知識グラフは様々なドメインのプロトタイプ上に構築され、セマンティックに隣接した表現間の情報伝達を実現する。 我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2020-07-17T07:52:44Z)

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。