論文の概要: Semantic Gaussian Mixture Variational Autoencoder for Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2502.16140v1
• Date: Sat, 22 Feb 2025 08:29:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:51:34.962664
• Title: Semantic Gaussian Mixture Variational Autoencoder for Sequential Recommendation
• Title（参考訳）: 逐次レコメンデーションのための意味ガウス混合変分オートエンコーダ
• Authors: Beibei Li, Tao Xiang, Beihong Jin, Yiyuan Zheng, Rui Zhao,
• Abstract要約: 本稿では,VAEに基づくシークエンシャルレコメンデーションモデルであるSIGMAを提案する。 SIGMAは多利活用のための確率的多利抽出モジュールを含む。 公開データセットの実験では、SIGMAの有効性が示されている。
• 参考スコア（独自算出の注目度）: 49.492451800322144
• License:
• Abstract: Variational AutoEncoder (VAE) for Sequential Recommendation (SR), which learns a continuous distribution for each user-item interaction sequence rather than a determinate embedding, is robust against data deficiency and achieves significant performance. However, existing VAE-based SR models assume a unimodal Gaussian distribution as the prior distribution of sequence representations, leading to restricted capability to capture complex user interests and limiting recommendation performance when users have more than one interest. Due to that it is common for users to have multiple disparate interests, we argue that it is more reasonable to establish a multimodal prior distribution in SR scenarios instead of a unimodal one. Therefore, in this paper, we propose a novel VAE-based SR model named SIGMA. SIGMA assumes that the prior of sequence representation conforms to a Gaussian mixture distribution, where each component of the distribution semantically corresponds to one of multiple interests. For multi-interest elicitation, SIGMA includes a probabilistic multi-interest extraction module that learns a unimodal Gaussian distribution for each interest according to implicit item hyper-categories. Additionally, to incorporate the multimodal interests into sequence representation learning, SIGMA constructs a multi-interest-aware ELBO, which is compatible with the Gaussian mixture prior. Extensive experiments on public datasets demonstrate the effectiveness of SIGMA. The code is available at https://github.com/libeibei95/SIGMA.
• Abstract（参考訳）: 逐次レコメンデーション(SR)のための変分オートエンコーダ(VAE)は,データ不足に対して頑健であり,高い性能を実現する。 しかしながら、既存のVAEベースのSRモデルは、シーケンス表現の以前の分布として、一様ガウス分布を仮定し、複雑なユーザの興味を捉え、ユーザが複数の興味を持つ場合に推奨性能を制限することができる。 複数の異なる利害関係を持つことが一般的であるため、SRシナリオにおいて、非モダルな利害関係ではなく、マルチモーダルな事前分布を確立することはより合理的である、と我々は主張する。 そこで本稿では,SIGMA という新しい VAE ベースSR モデルを提案する。 SIGMA は、列表現の先行はガウス混合分布に対応し、分布の各成分が意味的に複数の利害の1つに対応すると仮定する。 SIGMAには、暗黙の項目のハイパーカテゴリに従って、各関心ごとの単調なガウス分布を学習する確率的多目的抽出モジュールが含まれている。 さらに,マルチモーダルな興味をシーケンス表現学習に組み込むため,従来のガウス混合と互換性のある多目的ELBOを構築した。 公開データセットに関する大規模な実験は、SIGMAの有効性を実証している。 コードはhttps://github.com/libeibei95/SIGMAで入手できる。

関連論文リスト

• Distinguished Quantized Guidance for Diffusion-based Sequence Recommendation [7.6572888950554905]
  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。
  論文  参考訳（メタデータ） (2025-01-29T14:20:42Z)
• Spectrum-based Modality Representation Fusion Graph Convolutional Network for Multimodal Recommendation [7.627299398469962]
  本稿では,新しいスペクトルベースのモダリティ表現グラフレコメンデータを提案する。 モダリティノイズを同時に抑制しながら、ユニモーダルとフュージョンの両方の好みを捉えることを目的としている。 実世界の3つのデータセットを用いた実験により,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2024-12-19T15:53:21Z)
• GaVaMoE: Gaussian-Variational Gated Mixture of Experts for Explainable Recommendation [55.769720670731516]
  GaVaMoEは、説明可能なレコメンデーションのための新しいフレームワークである。 特定のユーザータイプや好みのカスタマイズされた説明を生成する。 疎いユーザ-イテムインタラクションのシナリオでは、堅牢なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-10-15T17:59:30Z)
• 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)
• Exact Feature Distribution Matching for Arbitrary Style Transfer and Domain Generalization [43.19170120544387]
  画像特徴の実験的累積分布関数 (eCDF) を正確にマッチングすることにより, EFDM (Exact Feature Distribution Matching) を実現する。 Sort-Matchingと呼ばれる高速なEHMアルゴリズムは、最小限のコストでEFDMをプラグ・アンド・プレイで実行するために使用される。 提案手法の有効性を,様々なASTタスクとDGタスクで検証し,新しい成果を実証した。
  論文  参考訳（メタデータ） (2022-03-15T09:18:14Z)
• Modeling Sequences as Distributions with Uncertainty for Sequential Recommendation [63.77513071533095]
  既存のシーケンシャルメソッドの多くは、ユーザが決定論的であると仮定する。 項目-項目遷移は、いくつかの項目において著しく変動し、ユーザの興味のランダム性を示す。 本稿では,不確実性を逐次モデルに注入する分散型トランスフォーマーシークエンシャルレコメンデーション(DT4SR)を提案する。
  論文  参考訳（メタデータ） (2021-06-11T04:35:21Z)
• Sparse-Interest Network for Sequential Recommendation [78.83064567614656]
  本稿では,シーケンシャルレコメンデーションのためのtextbfSparse textbfInterest textbfNEtwork(SINE)を提案する。 我々のスパース関心モジュールは、大きなコンセプトプールから各ユーザに対してスパースの概念セットを適応的に推測することができる。 SINEは最先端の手法よりも大幅に改善できる。
  論文  参考訳（メタデータ） (2021-02-18T11:03:48Z)
• Kernel learning approaches for summarising and combining posterior similarity matrices [68.8204255655161]
  我々は,ベイズクラスタリングモデルに対するMCMCアルゴリズムの出力を要約するための新しいアプローチを提案するために,後部類似性行列(PSM)の概念を構築した。 我々の研究の重要な貢献は、PSMが正の半定値であり、したがって確率的に動機付けられたカーネル行列を定義するのに使用できることである。
  論文  参考訳（メタデータ） (2020-09-27T14:16:14Z)

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。