論文の概要: Recommendations Beyond Catalogs: Diffusion Models for Personalized Generation

• arxiv url: http://arxiv.org/abs/2502.18477v1
• Date: Wed, 05 Feb 2025 21:11:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-02 03:56:17.445899
• Title: Recommendations Beyond Catalogs: Diffusion Models for Personalized Generation
• Title（参考訳）: カタログ以外の推奨事項:パーソナライズドジェネレーションのための拡散モデル
• Authors: Gabriel Patron, Zhiwei Xu, Ishan Kapnadak, Felipe Maia Polo,
• Abstract要約: 本稿では,確率的拡散に基づくリコメンデータシステムであるREBECAを提案する。 REBECAは、カタログからアイテムを取り出すのではなく、個々の味に合わせた新しいアイテムを合成する。 我々は、実世界のデータに基づいてREBECAを評価し、生成レコメンデーションシステムのための新しいパーソナライズ指標を提案する。
• 参考スコア（独自算出の注目度）: 2.5778542959485766
• License:
• Abstract: Modern recommender systems follow the guiding principle of serving the right user, the right item at the right time. One of their main limitations is that they are typically limited to items already in the catalog. We propose REcommendations BEyond CAtalogs, REBECA, a new class of probabilistic diffusion-based recommender systems that synthesize new items tailored to individual tastes rather than retrieve items from the catalog. REBECA combines efficient training in embedding space with a novel diffusion prior that only requires users' past ratings of items. We evaluate REBECA on real-world data and propose novel personalization metrics for generative recommender systems. Extensive experiments demonstrate that REBECA produces high-quality, personalized recommendations, generating images that align with users' unique preferences.
• Abstract（参考訳）: 現代のレコメンデータシステムは、適切なユーザ、適切なタイミングで適切なアイテムを提供するという指針に従っています。 主な制限の1つは、通常はカタログにあるアイテムに限られていることである。 本稿では,レコメンデーション BEyond CAtalogs,REBECAを提案する。 REBECAは、埋め込み空間における効率的なトレーニングと、ユーザの過去のアイテムのレーティングのみを必要とする新しい拡散を組み合わせている。 我々は、実世界のデータに基づいてREBECAを評価し、生成レコメンデーションシステムのための新しいパーソナライズ指標を提案する。 大規模な実験では、REBECAは高品質でパーソナライズされたレコメンデーションを生成し、ユーザのユニークな好みに合わせて画像を生成する。

関連論文リスト

• LLM-based User Profile Management for Recommender System [15.854727020186408]
  PUREは、ユーザレビューから重要な情報を体系的に抽出し、要約することによって、進化するユーザプロファイルを構築し、維持する。 我々は、レビューを時間とともに追加し、予測を漸進的に更新することで、現実のシナリオを反映した連続的なレコメンデーションタスクを導入する。 Amazonデータセットに対する実験結果から、PUREは既存のLCMベースの手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-20T13:20:19Z)
• Preference Discerning with LLM-Enhanced Generative Retrieval [28.309905847867178]
  我々は、選好識別という新しいパラダイムを提案する。 嗜好判断において、我々は、そのコンテキスト内でのユーザの嗜好に対して、生成的シーケンシャルなレコメンデーションシステムを明示的に条件付けする。 ユーザレビューと項目固有データに基づいて,Large Language Models (LLMs) を用いてユーザ嗜好を生成する。
  論文  参考訳（メタデータ） (2024-12-11T18:26:55Z)
• 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)
• Incorporating Classifier-Free Guidance in Diffusion Model-Based Recommendation [0.0]
  Diffusionは、従来のジェネレーティブAIアプローチを改善した、ジェネレーティブAIの新しいアプローチである。 我々は,閲覧や評価項目のシーケンスを反映したレコメンデーションシステムに拡散を取り入れた。
  論文  参考訳（メタデータ） (2024-09-16T17:27:27Z)
• Bridging User Dynamics: Transforming Sequential Recommendations with Schrödinger Bridge and Diffusion Models [49.458914600467324]
  拡散に基づく逐次レコメンデーションモデルにSchr"odinger Bridgeを導入し、SdifRecモデルを作成する。 また、ユーザクラスタリング情報を誘導条件として利用するcon-SdifRecと呼ばれるSdifRecの拡張版も提案する。
  論文  参考訳（メタデータ） (2024-08-30T09:10:38Z)
• Impression-Aware Recommender Systems [53.48892326556546]
  本稿ではインプレッションを用いたレコメンデーションシステムに関する体系的な文献レビューを行う。 本稿では,印象型レコメンデーションシステムと,印象型レコメンデーションシステムという,パーソナライズされたレコメンデーションのための新しいパラダイムを論じる。
  論文  参考訳（メタデータ） (2023-08-15T16:16:02Z)
• PLIERS: a Popularity-Based Recommender System for Content Dissemination in Online Social Networks [5.505634045241288]
  PLIERSと呼ばれる新しいタグベースのレコメンデーションシステムを提案する。 これは、ユーザーが主にアイテムやタグに興味を持ち、既に所有しているものと同様の人気があるという仮定に依存している。 PLIERSは、アルゴリズムと推奨項目のパーソナライズレベルとの良好なトレードオフを達成することを目的としている。
  論文  参考訳（メタデータ） (2023-07-06T09:04:58Z)
• Dual Personalization on Federated Recommendation [50.4115315992418]
  フェデレートされたレコメンデーションは、フェデレーションされた設定でプライバシを保存するレコメンデーションサービスを提供することを目的とした、新しいインターネットサービスアーキテクチャである。 本稿では,ユーザ固有の軽量モデルの多くを学習するためのPersonalized Federated Recommendation(PFedRec)フレームワークを提案する。 また、ユーザとアイテムの両方の詳細なパーソナライズを効果的に学習するための、新しい二重パーソナライズ機構を提案する。
  論文  参考訳（メタデータ） (2023-01-16T05:26:07Z)
• PURS: Personalized Unexpected Recommender System for Improving User Satisfaction [76.98616102965023]
  本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。 3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-06-05T01:33:21Z)
• Exploration-Exploitation Motivated Variational Auto-Encoder for Recommender Systems [1.52292571922932]
  協調フィルタリングにおいて,エクスプロビテーション探索型変分自動エンコーダ(XploVAE)を導入する。 パーソナライズされたレコメンデーションを容易にするために、観測されたユーザとイテムのインタラクションを1次にキャプチャする、ユーザ固有のサブグラフを構築した。 階層的潜在空間モデルを用いて、各ユーザに対するパーソナライズされたアイテム埋め込みと、全ユーザサブグラフの人口分布を学習する。
  論文  参考訳（メタデータ） (2020-06-05T17:37:46Z)
• Reward Constrained Interactive Recommendation with Natural Language Feedback [158.8095688415973]
  制約強化強化学習(RL)フレームワークを提案する。 具体的には,ユーザの過去の嗜好に反するレコメンデーションを検出するために,識別器を利用する。 提案するフレームワークは汎用的であり,制約付きテキスト生成のタスクにさらに拡張されている。
  論文  参考訳（メタデータ） (2020-05-04T16:23:34Z)

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。