論文の概要: Unifying Search and Recommendation: A Generative Paradigm Inspired by Information Theory

• arxiv url: http://arxiv.org/abs/2504.06714v1
• Date: Wed, 09 Apr 2025 09:15:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-10 13:05:15.731606
• Title: Unifying Search and Recommendation: A Generative Paradigm Inspired by Information Theory
• Title（参考訳）: 検索とレコメンデーションの統一:情報理論に触発された生成パラダイム
• Authors: Jujia Zhao, Wenjie Wang, Chen Xu, Xiuying Wang, Zhaochun Ren, Suzan Verberne,
• Abstract要約: GenSRは検索とレコメンデーションを統合するための新しい生成パラダイムである。 本研究は,従来の差別的手法と比較して新しい生成パラダイムを導入する。
• 参考スコア（独自算出の注目度）: 25.70711328738117
• License:
• Abstract: Recommender systems and search engines serve as foundational elements of online platforms, with the former delivering information proactively and the latter enabling users to seek information actively. Unifying both tasks in a shared model is promising since it can enhance user modeling and item understanding. Previous approaches mainly follow a discriminative paradigm, utilizing shared encoders to process input features and task-specific heads to perform each task. However, this paradigm encounters two key challenges: gradient conflict and manual design complexity. From the information theory perspective, these challenges potentially both stem from the same issue -- low mutual information between the input features and task-specific outputs during the optimization process. To tackle these issues, we propose GenSR, a novel generative paradigm for unifying search and recommendation (S&R), which leverages task-specific prompts to partition the model's parameter space into subspaces, thereby enhancing mutual information. To construct effective subspaces for each task, GenSR first prepares informative representations for each subspace and then optimizes both subspaces in one unified model. Specifically, GenSR consists of two main modules: (1) Dual Representation Learning, which independently models collaborative and semantic historical information to derive expressive item representations; and (2) S&R Task Unifying, which utilizes contrastive learning together with instruction tuning to generate task-specific outputs effectively. Extensive experiments on two public datasets show GenSR outperforms state-of-the-art methods across S&R tasks. Our work introduces a new generative paradigm compared with previous discriminative methods and establishes its superiority from the mutual information perspective.
• Abstract（参考訳）: Recommenderシステムと検索エンジンはオンラインプラットフォームの基本的な要素として機能し、前者は積極的に情報を配信し、後者はユーザが積極的に情報を探すことを可能にする。 両方のタスクを共有モデルに統合することは、ユーザモデリングとアイテム理解を強化することができるため、有望である。 従来のアプローチは主に識別パラダイムに従っており、共有エンコーダを使用して入力特徴とタスク固有のヘッダを処理し、各タスクを実行する。 しかし、このパラダイムはグラデーションコンフリクトと手動設計の複雑さという2つの大きな課題に直面している。 情報理論の観点からは、これらの課題は、最適化プロセスの間、入力特徴とタスク固有の出力の間の相互情報の少ない、同じ問題に由来する可能性がある。 これらの課題に対処するために,モデルパラメータ空間をサブスペースに分割するタスク固有のプロンプトを活用し,相互情報の強化を行う,検索とレコメンデーション(S&R)を統一するための新しい生成パラダイムであるGenSRを提案する。 タスクごとに効果的なサブスペースを構築するために、GenSRはまず各サブスペースに対して情報表現を準備し、次に2つのサブスペースを1つの統一モデルで最適化する。 具体的には、(1)協調的かつ意味的な歴史的情報を独立にモデル化して表現的項目表現を導出するデュアル表現学習、(2)S&Rタスク統一(S&R Task Unification)という2つの主要なモジュールから構成される。 2つの公開データセットに対する大規模な実験は、GenSRがS&Rタスク全体で最先端の手法より優れていることを示している。 本研究は,従来の差別的手法と比較して新たな生成パラダイムを導入し,相互情報の観点からその優位性を確立する。

関連論文リスト

• Modeling Multi-Task Model Merging as Adaptive Projective Gradient Descent [74.02034188307857]
  複数のエキスパートモデルをマージすることは、元のデータにアクセスせずにマルチタスク学習を実行するための有望なアプローチを提供する。 既存の手法は必然的にタスク固有の情報を破棄し、競合の原因となっているが、パフォーマンスには不可欠である。 我々の手法は従来の手法より一貫して優れており、視覚領域とNLP領域の両方において様々なアーキテクチャやタスクにまたがって最先端の結果が得られます。
  論文  参考訳（メタデータ） (2025-01-02T12:45:21Z)
• Bridging Search and Recommendation in Generative Retrieval: Does One Task Help the Other? [9.215695600542249]
  検索とレコメンデーションのための生成的検索は、アイテムを検索する上で有望なパラダイムである。 これらの生成システムは、様々な情報検索タスクを単一のモデルにまとめる上で重要な役割を果たす。 本稿では,このような統合されたアプローチが,IRタスクの検索・推薦においてタスク固有モデルより優れているかどうかを考察する。
  論文  参考訳（メタデータ） (2024-10-22T08:49:43Z)
• 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)
• A Decoupling and Aggregating Framework for Joint Extraction of Entities and Relations [7.911978021993282]
  本稿では,エンティティと関係を共同で抽出する新しいモデルを提案する。 本稿では,特徴符号化処理を主題の符号化,オブジェクトの符号化,関係の符号化という3つの部分に分割することを提案する。 我々のモデルは、過去の最先端モデルよりも優れています。
  論文  参考訳（メタデータ） (2024-05-14T04:27:16Z)
• Concrete Subspace Learning based Interference Elimination for Multi-task Model Fusion [86.6191592951269]
  一般的な事前訓練された大規模モデルから微調整されたマージングモデルは、様々なタスクに特化しているが、様々なタスクでうまく機能するマルチタスクモデルを構築するための安価でスケーラブルな戦略として実証されている。 本稿では、共通低次元部分空間を同定し、その共有情報トラック干渉問題を性能を犠牲にすることなく利用するための連続緩和(Concrete)部分空間学習法を提案する。
  論文  参考訳（メタデータ） (2023-12-11T07:24:54Z)
• Contrastive Transformer Learning with Proximity Data Generation for Text-Based Person Search [60.626459715780605]
  記述的なテキストクエリーを与えられたテキストベースの人物検索は、画像ギャラリーからベストマッチした人物を検索することを目的としている。 このようなクロスモーダル検索タスクは、重要なモダリティギャップ、きめ細かい相違、注釈付きデータの不十分さのため、かなり難しい。 本稿では,テキストに基づく人物検索のための2つのトランスフォーマーモデルを提案する。
  論文  参考訳（メタデータ） (2023-11-15T16:26:49Z)
• Zero-shot Item-based Recommendation via Multi-task Product Knowledge Graph Pre-Training [106.85813323510783]
  本稿ではゼロショットアイテムベース勧告(ZSIR)タスクのための新しいパラダイムを提案する。 製品知識グラフ(PKG)のモデルを事前トレーニングして、PLMからアイテム機能を洗練します。 我々は,PKGにおける多型関係,アイテムジェネリック情報と関係のセマンティックな相違,PKGから下流ZSIRタスクへのドメイン差といった,PKG事前学習の課題を3つ挙げる。
  論文  参考訳（メタデータ） (2023-05-12T17:38:24Z)
• USER: A Unified Information Search and Recommendation Model based on Integrated Behavior Sequence [36.91974576050925]
  これら2つのタスクを共同でモデリングすることで,両者のメリットが得られ,最終的にはユーザ満足度が向上する,と私たちは主張する。 本稿では,まず,ユーザの振る舞いを検索とレコメンデーションに組み込んだ異種行動シーケンスを提案し,その上で,両タスクの処理にジョイントモデルを利用する。
  論文  参考訳（メタデータ） (2021-09-30T11:06:15Z)
• Exploring Relational Context for Multi-Task Dense Prediction [76.86090370115]
  我々は,共通バックボーンと独立タスク固有のヘッドで表される,密集予測タスクのためのマルチタスク環境を考える。 マルチタスク設定では,グローバルやローカルなど,さまざまな注意に基づくコンテキストを探索する。 タスクペアごとに利用可能なすべてのコンテキストのプールをサンプリングするAdaptive Task-Relational Contextモジュールを提案する。
  論文  参考訳（メタデータ） (2021-04-28T16:45:56Z)

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。