論文の概要: Bridging Textual-Collaborative Gap through Semantic Codes for Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2503.12183v1
• Date: Sat, 15 Mar 2025 15:54:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 15:58:34.412147
• Title: Bridging Textual-Collaborative Gap through Semantic Codes for Sequential Recommendation
• Title（参考訳）: 逐次レコメンデーションのための意味コードによるテキスト協調ギャップのブリッジング
• Authors: Enze Liu, Bowen Zheng, Wayne Xin Zhao, Ji-Rong Wen,
• Abstract要約: CoCoRecは、シーケンシャルレコメンデーションのための新しいコードベースのテキストおよび協調的セマンティックフュージョン法である。 ベクトル量子化手法を用いて,多視点テキスト埋め込みから細粒度セマンティックコードを生成する。 テキスト・コラボレーティブ・セマンティクスの融合をさらに促進するために,最適化戦略を導入する。
• 参考スコア（独自算出の注目度）: 91.13055384151897
• License:
• Abstract: In recent years, substantial research efforts have been devoted to enhancing sequential recommender systems by integrating abundant side information with ID-based collaborative information. This study specifically focuses on leveraging the textual metadata (e.g., titles and brands) associated with items. While existing methods have achieved notable success by combining text and ID representations, they often struggle to strike a balance between textual information embedded in text representations and collaborative information from sequential patterns of user behavior. In light of this, we propose CoCoRec, a novel Code-based textual and Collaborative semantic fusion method for sequential Recommendation. The key idea behind our approach is to bridge the gap between textual and collaborative information using semantic codes. Specifically, we generate fine-grained semantic codes from multi-view text embeddings through vector quantization techniques. Subsequently, we develop a code-guided semantic-fusion module based on the cross-attention mechanism to flexibly extract and integrate relevant information from text representations. In order to further enhance the fusion of textual and collaborative semantics, we introduce an optimization strategy that employs code masking with two specific objectives: masked code modeling and masked sequence alignment. The merit of these objectives lies in leveraging mask prediction tasks and augmented item representations to capture code correlations within individual items and enhance the sequence modeling of the recommendation backbone. Extensive experiments conducted on four public datasets demonstrate the superiority of CoCoRec, showing significant improvements over various sequential recommendation models. Our code is available at https://anonymous.4open.science/r/CoCoRec-6E41.
• Abstract（参考訳）: 近年では、豊富な側情報とIDベースの協調情報を統合することで、シーケンシャルなレコメンデーションシステムの強化に多大な研究努力が注がれている。 本研究は,項目に関連付けられたテキストメタデータ(タイトルやブランドなど)を活用することに焦点を当てる。 既存の手法はテキスト表現とID表現を組み合わせることで顕著な成功を収めてきたが、テキスト表現に埋め込まれたテキスト情報と、ユーザ行動のシーケンシャルなパターンからの協調情報とのバランスをとるのに苦労することが多い。 そこで本研究では,コードに基づく新しいテキストと協調的セマンティックフュージョン手法であるCoCoRecを提案する。 このアプローチの背後にある重要なアイデアは、セマンティックコードを使用して、テキストとコラボレーティブな情報のギャップを埋めることです。 具体的には,ベクトル量子化手法を用いて,多視点テキスト埋め込みから細粒度セマンティックコードを生成する。 その後,コード誘導型意味融合モジュールを開発し,テキスト表現から関連情報を柔軟に抽出し,統合する。 テキスト・コラボレーティブ・セマンティクスの融合をさらに促進するために,マスク付きコードモデリングとマスク付きシーケンスアライメントという2つの目的のコードマスキングを利用する最適化戦略を導入する。 これらの目的の利点は、マスク予測タスクと拡張アイテム表現を活用して、個々のアイテム内のコード相関をキャプチャし、レコメンデーションバックボーンのシーケンスモデリングを強化することである。 4つの公開データセットで実施された大規模な実験は、CoCoRecの優位性を示し、さまざまなシーケンシャルレコメンデーションモデルよりも大幅に改善されている。 私たちのコードはhttps://anonymous.4open.science/r/CoCoRec-6E41で利用可能です。

関連論文リスト

• Contextualized Data-Wrangling Code Generation in Computational Notebooks [131.26365849822932]
  我々は、マルチモーダルなコンテキスト依存を明確にしたデータラングリングコード生成例をマイニングするために、CoCoMineという自動アプローチを提案する。 コンテクスト化されたデータラングリングコード生成のための58,221のサンプルを含むデータセットであるCoCoNoteをNotebooksで構築する。 実験結果は、データラングリングコード生成にデータコンテキストを組み込むことの重要性を示す。
  論文  参考訳（メタデータ） (2024-09-20T14:49:51Z)
• ESALE: Enhancing Code-Summary Alignment Learning for Source Code Summarization [21.886950861445122]
  コード要約は、与えられたコードスニペットに対して簡潔な自然言語要約を自動的に生成することを目的としている。 本稿では,要約に焦点をあてたタスクに基づいて,コード要約を改善する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-07-01T03:06:51Z)
• EAGER: Two-Stream Generative Recommender with Behavior-Semantic Collaboration [63.112790050749695]
  本稿では,行動情報と意味情報の両方をシームレスに統合する新しい生成推薦フレームワークであるEAGERを紹介する。 EAGERの有効性を4つの公開ベンチマークで検証し,既存手法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2024-06-20T06:21:56Z)
• Encoding Version History Context for Better Code Representation [13.045078976464307]
  本稿では,コードクローンを予測し,コード分類を行うために,バージョン履歴からコンテキスト情報を符号化することの潜在的な利点について,予備的な証拠を示す。 技術が一貫して機能するためには、コンテキスト、集約、モデルの異なる組み合わせを使用して、より大きなコードベースに関する包括的な調査を行う必要があります。
  論文  参考訳（メタデータ） (2024-02-06T07:35:36Z)
• Soft-Labeled Contrastive Pre-training for Function-level Code Representation [127.71430696347174]
  textbfSoft-labeled contrastive pre-training framework with two positive sample construction method。 大規模コードコーパスにおけるコード間の関連性を考慮すると、ソフトラベル付きコントラスト付き事前学習は、きめ細かいソフトラベルを得ることができる。 SCodeRは、7つのデータセットで4つのコード関連タスクに対して、最先端のパフォーマンスを新たに達成する。
  論文  参考訳（メタデータ） (2022-10-18T05:17:37Z)
• CSSAM:Code Search via Attention Matching of Code Semantics and Structures [8.547332796736107]
  本稿では,CSSAM (Code Semantics and Structures Attention Matching) というコード検索モデルを提案する。 意味的および構造的マッチング機構を導入することにより、CSSAMは多次元コードの特徴を効果的に抽出し、融合する。 残りのインタラクションを活用することで、マッチングモジュールはより多くのコードセマンティクスと記述的機能を保持するように設計されている。
  論文  参考訳（メタデータ） (2022-08-08T05:45:40Z)
• Enhancing Semantic Code Search with Multimodal Contrastive Learning and Soft Data Augmentation [50.14232079160476]
  コード検索のためのマルチモーダルコントラスト学習とソフトデータ拡張を用いた新しい手法を提案する。 我々は,6つのプログラミング言語を用いた大規模データセットにおけるアプローチの有効性を評価するために,広範囲な実験を行った。
  論文  参考訳（メタデータ） (2022-04-07T08:49:27Z)
• A Transformer-based Approach for Source Code Summarization [86.08359401867577]
  コードトークン間のペア関係をモデル化することにより,要約のためのコード表現を学習する。 アプローチは単純であるにもかかわらず、最先端技術よりもかなりの差があることが示される。
  論文  参考訳（メタデータ） (2020-05-01T23:29:36Z)
• Learning Syntactic and Dynamic Selective Encoding for Document Summarization [17.666036645395845]
  本稿では,文書要約のための新しいニューラルネットワークを提案する。 木を解析する選挙区解析などの構文情報をエンコードシーケンスに組み込む。 そこで本稿では,デコーダ状態のコンテキストに基づいて有能な情報を選択するための動的ゲートネットワークを提案する。
  論文  参考訳（メタデータ） (2020-03-25T01:29:38Z)

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。