論文の概要: Personalized Diffusion Model Reshapes Cold-Start Bundle Recommendation

• arxiv url: http://arxiv.org/abs/2505.14901v1
• Date: Tue, 20 May 2025 20:52:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:58.749835
• Title: Personalized Diffusion Model Reshapes Cold-Start Bundle Recommendation
• Title（参考訳）: コールドスタートバンドルレコメンデーションの個人化拡散モデル
• Authors: Tuan-Nghia Bui, Huy-Son Nguyen, Cam-Van Thi Nguyen, Hoang-Quynh Le, Duc-Trong Le,
• Abstract要約: 本稿では,各ユーザがコールドスタート課題に取り組むために,分散空間にバンドルを生成する新しい手法を提案する。 DisCoはパーソナライズされたDiffusionのバックボーンに依存しており、ユーザーの興味をゆがめられたアスペクトによって強化されている。 DisCoは3つの実世界のデータセットに対して大きなマージンで5つのベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 2.115789253980982
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bundle recommendation aims to recommend a set of items to each user. However, the sparser interactions between users and bundles raise a big challenge, especially in cold-start scenarios. Traditional collaborative filtering methods do not work well for this kind of problem because these models rely on interactions to update the latent embedding, which is hard to work in a cold-start setting. We propose a new approach (DisCo), which relies on a personalized Diffusion backbone, enhanced by disentangled aspects for the user's interest, to generate a bundle in distribution space for each user to tackle the cold-start challenge. During the training phase, DisCo adjusts an additional objective loss term to avoid bias, a prevalent issue while using the generative model for top-$K$ recommendation purposes. Our empirical experiments show that DisCo outperforms five comparative baselines by a large margin on three real-world datasets. Thereby, this study devises a promising framework and essential viewpoints in cold-start recommendation. Our materials for reproducibility are available at: https://github.com/bt-nghia/DisCo.
• Abstract（参考訳）: Bundleのレコメンデーションは、各ユーザに一連のアイテムを推奨することを目的としている。 しかし、特にコールドスタートシナリオでは、ユーザとバンドル間のスパーサインタラクションが大きな課題を引き起こします。 従来の協調フィルタリング手法は、コールドスタート環境での作業が困難である潜伏埋め込みを更新するために相互作用に依存するため、この種の問題に対してうまく機能しない。 本研究では,利用者の関心をゆがめた側面によって強化されたディフュージョンバックボーンを利用した新しいアプローチ (DisCo) を提案する。 トレーニングフェーズの間、DisCoはバイアスを避けるために追加の目標損失項を調整する。 我々の実証実験によると、DisCoは3つの実世界のデータセットに対して大きなマージンで5つのベースラインを上回ります。 そこで本研究では,コールドスタートレコメンデーションにおいて,有望な枠組みと本質的な視点を考案する。 再現性に関する資料は、https://github.com/bt-nghia/DisCo.comで公開されています。

関連論文リスト

• Divide-and-Conquer: Cold-Start Bundle Recommendation via Mixture of Diffusion Experts [20.922606156035197]
  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。
  論文  参考訳（メタデータ） (2025-05-08T08:13:44Z)
• Bake Two Cakes with One Oven: RL for Defusing Popularity Bias and Cold-start in Third-Party Library Recommendations [5.874782446136913]
  サードパーティ製ライブラリ(TPL)は現代のソフトウェア開発において不可欠な部分となり、開発者の生産性を高め、市場投入までの時間を短縮している。 通常、コラボレーティブ・フィルタリング(CF)に依存しており、レコメンデーションを行う際に2次元のプロジェクト・ライブラリ・マトリックス(一般的にはユーザ・イテム)を利用する。 本稿では,TPLレコメンデーションにおける人気バイアスとコールドスタート問題に対処するための強化学習(RL)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2025-04-18T16:17:20Z)
• 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)
• Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
  本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。 AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。 誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:32:51Z)
• Price DOES Matter! Modeling Price and Interest Preferences in Session-based Recommendation [55.0391061198924]
  セッションベースのレコメンデーションは、匿名ユーザが自分の短い行動シーケンスに基づいて購入したいアイテムを予測することを目的としている。 セッションベースのレコメンデーションの価格設定を組み込むのは簡単ではない。 セッションベースレコメンデーションのためのCoHHN(Co-guided Heterogeneous Hypergraph Network)を提案する。
  論文  参考訳（メタデータ） (2022-05-09T10:47:15Z)
• Sequential Recommendation via Stochastic Self-Attention [68.52192964559829]
  Transformerベースのアプローチでは、アイテムをベクトルとして埋め込んで、ドット積の自己アテンションを使用してアイテム間の関係を測定する。 本稿では,これらの問題を克服するための新しいtextbfStochastic textbfSelf-textbfAttention (STOSA) を提案する。 我々は、アイテムと項目の位置関係を列で特徴づける新しいワッサースタイン自己保持モジュールを考案した。
  論文  参考訳（メタデータ） (2022-01-16T12:38:45Z)
• Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
  コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。 MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
  論文  参考訳（メタデータ） (2021-10-18T08:11:24Z)
• 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)
• Seamlessly Unifying Attributes and Items: Conversational Recommendation for Cold-Start Users [111.28351584726092]
  コールドスタートユーザに対しては,属性を問うと同時に,ユーザに対して対話的に商品を推薦する,対話型レコメンデーションを提案する。 会話型トンプソンサンプリング(ConTS)モデルでは,最大報酬の腕を選択することで,対話型レコメンデーションにおけるすべての質問を一意に解決する。
  論文  参考訳（メタデータ） (2020-05-23T08:56:37Z)

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。