論文の概要: StePO-Rec: Towards Personalized Outfit Styling Assistant via Knowledge-Guided Multi-Step Reasoning
- arxiv url: http://arxiv.org/abs/2504.09915v1
- Date: Mon, 14 Apr 2025 06:24:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-15 16:48:38.786503
- Title: StePO-Rec: Towards Personalized Outfit Styling Assistant via Knowledge-Guided Multi-Step Reasoning
- Title（参考訳）: StePO-Rec:知識誘導型マルチステップ推論によるパーソナライズアウトフィットスティリングアシスタントを目指して
- Authors: Yuxi Bi, Yunfan Gao, Haofen Wang,
- Abstract要約: プロフェッショナルなスタイリングの専門知識を3つのレベルのメタデータ、ドメイン原則、セマンティックな関係にまとめる多言語知識ベースであるPAFAを紹介します。
我々は,多段階の服装推薦のための知識誘導手法であるStePO-Recを開発した。
広く使われているパーソナライズされた衣装データセットIQONの実験では、Recall@1が28%、MAPが32.8%増加した。
- 参考スコア（独自算出の注目度）: 3.1349576509733823
- License:
- Abstract: Advancements in Generative AI offers new opportunities for FashionAI, surpassing traditional recommendation systems that often lack transparency and struggle to integrate expert knowledge, leaving the potential for personalized fashion styling remain untapped. To address these challenges, we present PAFA (Principle-Aware Fashion), a multi-granular knowledge base that organizes professional styling expertise into three levels of metadata, domain principles, and semantic relationships. Using PAFA, we develop StePO-Rec, a knowledge-guided method for multi-step outfit recommendation. StePO-Rec provides structured suggestions using a scenario-dimension-attribute framework, employing recursive tree construction to align recommendations with both professional principles and individual preferences. A preference-trend re-ranking system further adapts to fashion trends while maintaining the consistency of the user's original style. Experiments on the widely used personalized outfit dataset IQON show a 28% increase in Recall@1 and 32.8% in MAP. Furthermore, case studies highlight improved explainability, traceability, result reliability, and the seamless integration of expertise and personalization.
- Abstract（参考訳）: Generative AIの進歩はFashionAIに新たな機会を与え、透明性の欠如や専門知識の統合に苦慮する従来のレコメンデーションシステムを超え、パーソナライズされたファッションスタイリングの可能性を秘めている。
これらの課題に対処するために、プロフェッショナルなスタイリングの専門知識を3つのレベルのメタデータ、ドメインの原則、セマンティックな関係にまとめる多言語知識基盤であるPAFA(Principle-Aware Fashion)を紹介します。
PAFAを用いて,多段階の服装推薦のための知識誘導手法であるStePO-Recを開発した。
StePO-Recは、シナリオディメンジョン属性フレームワークを使用して構造化された提案を提供し、プロの原則と個人の好みの両方にレコメンデーションを合わせるために再帰的なツリー構築を採用する。
嗜好階層の再ランク付けシステムは、ユーザのオリジナルスタイルの整合性を維持しつつ、ファッショントレンドにさらに適応する。
広く使われているパーソナライズされた衣装データセットIQONの実験では、Recall@1が28%、MAPが32.8%増加した。
さらに、ケーススタディでは、説明可能性、トレーサビリティ、結果の信頼性、専門知識とパーソナライゼーションのシームレスな統合が改善されている。
関連論文リスト
- Establishing Knowledge Preference in Language Models [80.70632813935644]
言語モデルは事前学習を通じて大量の事実知識を符号化することが知られている。
このような知識はユーザーからの要求に応えるには不十分かもしれない。
進行中のイベントに関する質問に答える場合には、最新のニュース記事を使って回答を更新する必要がある。
ある事実がモデルで編集されると、更新された事実はモデルによって学習されたすべての事前知識をオーバーライドする。
論文 参考訳（メタデータ） (2024-07-17T23:16:11Z) - LLM-Powered Explanations: Unraveling Recommendations Through Subgraph Reasoning [40.53821858897774]
本稿では,Large Language Models (LLMs) とKGs (KGs) を相乗する新しいレコメンデータを紹介し,そのレコメンデーションを強化し,解釈可能な結果を提供する。
提案手法は,レコメンデータシステムの有効性と解釈性を両立させる。
論文 参考訳（メタデータ） (2024-06-22T14:14:03Z) - Knowledge Editing in Language Models via Adapted Direct Preference Optimization [50.616875565173274]
大きな言語モデル(LLM)は、時間とともに時代遅れになる可能性がある。
知識編集は、高価なリトレーニングを必要としないウェイトアップデートを使用して、この課題を克服することを目的としている。
論文 参考訳（メタデータ） (2024-06-14T11:02:21Z) - Auto-selected Knowledge Adapters for Lifelong Person Re-identification [54.42307214981537]
Lifelong Person Re-Identificationは、異なる時間と場所にわたる重複しないデータセットから継続的に学習するシステムを必要とする。
リハーサルのない、あるいはリハーサルベースの既存のアプローチは、依然として破滅的な忘れ込みの問題に悩まされている。
本稿では,知識アダプタを採用した新しいフレームワークであるAdalReIDと,生涯学習のためのパラメータフリー自動選択機構を提案する。
論文 参考訳（メタデータ） (2024-05-29T11:42:02Z) - Towards Unified Multi-Modal Personalization: Large Vision-Language Models for Generative Recommendation and Beyond [87.1712108247199]
我々の目標は、マルチモーダルパーソナライゼーションシステム(UniMP)のための統一パラダイムを確立することである。
我々は、幅広いパーソナライズされたニーズに対処できる汎用的でパーソナライズされた生成フレームワークを開発する。
我々の手法は、パーソナライズされたタスクのための基礎言語モデルの能力を高める。
論文 参考訳（メタデータ） (2024-03-15T20:21:31Z) - Interactive Garment Recommendation with User in the Loop [77.35411131350833]
我々は,服を作るために補完的なアイテムを推奨するので,ユーザ反応を統合することでユーザプロファイルをその場で構築することを提案する。
本稿では,適切な衣服を提案し,ユーザのフィードバックを取り入れて推薦を改善することができる強化学習エージェントを提案する。
論文 参考訳（メタデータ） (2024-02-18T16:01:28Z) - Reusable Self-Attention Recommender Systems in Fashion Industry
Applications [0.0]
本研究では,最大30%のユーザ保持率の向上を示すライブ実験結果を示す。
ファッションインスピレーションのユースケースとして、衣料品のランク付け、衣料品のレコメンデーション、リアルタイムのパーソナライズされた衣料品の創出などに着目する。
論文 参考訳（メタデータ） (2023-01-17T10:00:17Z) - Reusable Self-Attention-based Recommender System for Fashion [1.978884131103313]
再利用可能な注意に基づくファッション推薦アルゴリズム(AFRA)を提案する。
時間的および文脈的な情報を活用して、短期および長期の顧客の嗜好に対処します。
1)個人別フィード、2)スタイル別レコメンデーション、3)類似アイテムレコメンデーション、4)最近の顧客行動にインスパイアされたインセッションレコメンデーション。
論文 参考訳（メタデータ） (2022-11-29T16:47:20Z) - Adapting Triplet Importance of Implicit Feedback for Personalized
Recommendation [43.85549591503592]
インプシットフィードバックは、パーソナライズされたレコメンデーションサービスを開発するために頻繁に使用される。
本稿では,Triplet Importance Learning (TIL) という新たなトレーニングフレームワークを提案する。
提案手法は,トップkレコメンデーションのRecall@kにおいて,既存モデルよりも3～21%優れていた。
論文 参考訳（メタデータ） (2022-08-02T19:44:47Z) - Attribute-aware Explainable Complementary Clothing Recommendation [37.30129304097086]
本研究は、ファッションレコメンデーションにおける説明可能性の課題に、新しいファッションレコメンデーションレコメンダ(AFRec)を提案して取り組むことを目的とする。
AFRecレコメンダは、各アイテムの視覚的特徴から抽出された属性レベルの表現を明示的に活用することで、服の互換性を評価する。
属性は2つのファッションアイテム間のブリッジとして機能し、そこでは属性間の学習された互換性を通じて、一対のアイテムの親和性を定量化する。
論文 参考訳（メタデータ） (2021-07-04T14:56:07Z) - Learning Diverse Fashion Collocation by Neural Graph Filtering [78.9188246136867]
本稿では,グラフニューラルネットワークを用いて,フレキシブルなファッションアイテムセットをモデル化する新しいファッションコロケーションフレームワークであるNeural Graph Filteringを提案する。
エッジベクトルに対称演算を適用することにより、このフレームワークは様々な入力/出力を許容し、それらの順序に不変である。
提案手法を,Polyvoreデータセット,Polyvore-Dデータセット,Amazon Fashionデータセットの3つの一般的なベンチマークで評価した。
論文 参考訳（メタデータ） (2020-03-11T16:17:08Z)
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。