論文の概要: Divide-and-Conquer: Cold-Start Bundle Recommendation via Mixture of Diffusion Experts

• arxiv url: http://arxiv.org/abs/2505.05035v1
• Date: Thu, 08 May 2025 08:13:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 21:43:49.802074
• Title: Divide-and-Conquer: Cold-Start Bundle Recommendation via Mixture of Diffusion Experts
• Title（参考訳）: ディバイド・アンド・コンカー:拡散エキスパートの混合によるコールドスタート・バンドル・レコメンデーション
• Authors: Ming Li, Lin Li, Xiaohui Tao, Dong Zhang, Jimmy Xiangji Huang,
• Abstract要約: コールドスタートバンドルレコメンデーションは、レコメンデーションを提供するのに不十分な情報で新しいバンドルをモデリングすることに焦点を当てている。 コールドスタートバンドルレコメンデーションのための分割コンカレント戦略を採用した,新しい拡散エキスパート混合フレームワーク(MoDiffE)を提案する。 MoDiffEは、コールドスタートバンドルレコメンデーションの処理において、既存のソリューションよりも大幅に優れています。
• 参考スコア（独自算出の注目度）: 20.922606156035197
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cold-start bundle recommendation focuses on modeling new bundles with insufficient information to provide recommendations. Advanced bundle recommendation models usually learn bundle representations from multiple views (e.g., interaction view) at both the bundle and item levels. Consequently, the cold-start problem for bundles is more challenging than that for traditional items due to the dual-level multi-view complexity. In this paper, we propose a novel Mixture of Diffusion Experts (MoDiffE) framework, which employs a divide-and-conquer strategy for cold-start bundle recommendation and follows three steps:(1) Divide: The bundle cold-start problem is divided into independent but similar sub-problems sequentially by level and view, which can be summarized as the poor representation of feature-missing bundles in prior-embedding models. (2) Conquer: Beyond prior-embedding models that fundamentally provide the embedded representations, we introduce a diffusion-based method to solve all sub-problems in a unified way, which directly generates diffusion representations using diffusion models without depending on specific features. (3) Combine: A cold-aware hierarchical Mixture of Experts (MoE) is employed to combine results of the sub-problems for final recommendations, where the two models for each view serve as experts and are adaptively fused for different bundles in a multi-layer manner. Additionally, MoDiffE adopts a multi-stage decoupled training pipeline and introduces a cold-start gating augmentation method to enable the training of gating for cold bundles. Through extensive experiments on three real-world datasets, we demonstrate that MoDiffE significantly outperforms existing solutions in handling cold-start bundle recommendation. It achieves up to a 0.1027 absolute gain in Recall@20 in cold-start scenarios and up to a 47.43\% relative improvement in all-bundle scenarios.
• Abstract（参考訳）: コールドスタートバンドルレコメンデーションは、レコメンデーションを提供するのに不十分な情報で新しいバンドルをモデリングすることに焦点を当てている。 高度なバンドルレコメンデーションモデルは通常、バンドルレベルとアイテムレベルの両方で、複数のビュー(例えば、インタラクションビュー)からバンドル表現を学習します。 したがって、バンドルのコールドスタート問題は、デュアルレベルのマルチビューの複雑さのため、従来のアイテムよりも難しい。 本稿では,(1) 解法: 解法: 解法: 解法: 解法: 解法: 解法: 解法: 解法: 解法: 解法: 解法: 解法: 解法: 解法: 解法: 解法: 解法: 解法: 解法: 解法: 解法: 解法: 解法: 解法: 解法: 解法: 解法: 解法: 解法: 解法: 解法: 解法: 解法 2) 方程式: 組込み表現を根本的に提供する事前埋め込みモデル以外にも, 特定の特徴に依存しない拡散モデルを用いて拡散表現を直接生成する, 全サブプロブレムを統一的に解く拡散ベース手法を導入する。 (3) 組み合わせ: 各ビューの2つのモデルが専門家として機能し、異なるバンドルに対して多層的に適応的に融合する、最終勧告のためのサブプロブレムの結果を組み合わせるために、寒冷対応の階層的専門家混合(MoE)が使用される。 さらに、MoDiffEはマルチステージの分離されたトレーニングパイプラインを採用し、コールドバンドルのためのゲーティングのトレーニングを可能にするコールドスタートゲーティング拡張手法を導入した。 3つの実世界のデータセットに関する広範な実験を通して、MoDiffEはコールドスタートバンドルレコメンデーションの処理において、既存のソリューションよりも大幅に優れていることを実証した。 コールスタートシナリオではRecall@20が0.1027、オールバンドルシナリオでは47.43倍の相対的な改善が達成されている。

関連論文リスト

• BRIDGE: Bundle Recommendation via Instruction-Driven Generation [2.115789253980982]
  BRIDGEはバンドル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。 これは2つの主要なコンポーネント、すなわち相関ベースのアイテムクラスタリングと擬似バンドル生成モジュールで構成されている。 その結果,5つのベンチマークデータセットにまたがる最先端のランキングベース手法よりも,モデルの優位性が検証された。
  論文  参考訳（メタデータ） (2024-12-24T02:07:53Z)
• Non-autoregressive Personalized Bundle Generation [39.83349922956341]
  本稿では,非自己回帰機構によるバンドル生成と,BundleNATという新しいエンコーダデコーダフレームワークの設計を提案する。 本稿では,事前学習手法とグラフニューラルネットワークを用いて,ユーザの好みや項目ベースの互換性情報を完全に埋め込むことを提案する。 次に、所望のバンドルを直接ワンショットで出力できる置換同変復号アーキテクチャを設計する。
  論文  参考訳（メタデータ） (2024-06-11T03:44:17Z)
• Cold-start Bundle Recommendation via Popularity-based Coalescence and Curriculum Heating [16.00757636715368]
  既存のコールドスタートアイテムレコメンデーションの方法は、バンドルに簡単には適用できない。 我々はコールドスタートバンドルレコメンデーションのための正確なアプローチであるCoHeatを提案する。 CoHeatはコールドスタートバンドルレコメンデーションにおいて優れたパフォーマンスを示しており、最高の競合相手に比べて193%高いnDCG@20を実現している。
  論文  参考訳（メタデータ） (2023-10-05T18:02:03Z)
• Matcher: Segment Anything with One Shot Using All-Purpose Feature Matching [63.88319217738223]
  市販の視覚基礎モデルを用いて様々な知覚課題に対処する新しい知覚パラダイムであるMatcherを提案する。 Matcherは、様々なセグメンテーションタスクにまたがる印象的な一般化パフォーマンスを、すべてトレーニングなしでデモする。 我々の結果は、野生の画像に適用されたMatcherのオープンワールドの一般性と柔軟性をさらに示すものである。
  論文  参考訳（メタデータ） (2023-05-22T17:59:43Z)
• Unite and Conquer: Plug & Play Multi-Modal Synthesis using Diffusion Models [54.1843419649895]
  拡散確率モデル(DDPM)に基づく解を提案する。 他の生成モデルよりも拡散モデルを選択する動機は、拡散モデルの柔軟な内部構造に由来する。 提案手法は,複数のサブタスクで訓練された複数の拡散モデルを統一し,組み合わせたタスクを克服する。
  論文  参考訳（メタデータ） (2022-12-01T18:59:55Z)
• Fast Multi-view Clustering via Ensembles: Towards Scalability, Superiority, and Simplicity [63.85428043085567]
  本稿では,アンサンブル(FastMICE)アプローチによる高速なマルチビュークラスタリングを提案する。 ランダムなビュー群の概念は、多目的なビューワイズ関係を捉えるために提示される。 FastMICEは、ほぼ線形時間と空間の複雑さを持ち、データセット固有のチューニングは不要である。
  論文  参考訳（メタデータ） (2022-03-22T09:51:24Z)
• Privileged Graph Distillation for Cold Start Recommendation [57.918041397089254]
  レコメンデーションシステムにおけるコールドスタートの問題は、歴史的相互作用の記録のない属性に基づいて新しいユーザー(イテム)に推奨することである。 特権グラフ蒸留モデル(PGD)を提案する。 提案手法は,新規ユーザ,新規ユーザ,新規ユーザを対象とする異なるコールドスタートシナリオに適用可能である。
  論文  参考訳（メタデータ） (2021-05-31T14:05:27Z)
• Bundle Recommendation with Graph Convolutional Networks [71.95344006365914]
  既存のソリューションは、モデルパラメータを共有したり、マルチタスクで学習することで、ユーザーと対話モデリングをバンドルレコメンデーションに統合します。 本稿では,バンドルレコメンデーションのためのBGCN(textittextBFBundle textBFGraph textBFConvolutional textBFNetwork)というグラフニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2020-05-07T13:48:26Z)

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。