Fugu-MT 論文翻訳(概要): Semantic IDs for Music Recommendation

論文の概要: Semantic IDs for Music Recommendation

arxiv url: http://arxiv.org/abs/2507.18800v1
Date: Thu, 24 Jul 2025 20:48:02 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-28 16:16:48.752726
Title: Semantic IDs for Music Recommendation
Title（参考訳）: 音楽レコメンデーションのためのセマンティックID
Authors: M. Jeffrey Mei, Florian Henkel, Samuel E. Sandberg, Oliver Bembom, Andreas F. Ehmann,
Abstract要約: コンテンツ情報などの共有埋め込みは、メモリに格納される異なる埋め込みの数を減らすことができる。モデルサイズを削減しつつ、推薦精度と多様性を向上させる上で、共有コンテンツベース機能(セマンティックID)を使用することの利点を示す。
参考スコア（独自算出の注目度）: 3.8546150857936063
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Training recommender systems for next-item recommendation often requires unique embeddings to be learned for each item, which may take up most of the trainable parameters for a model. Shared embeddings, such as using content information, can reduce the number of distinct embeddings to be stored in memory. This allows for a more lightweight model; correspondingly, model complexity can be increased due to having fewer embeddings to store in memory. We show the benefit of using shared content-based features ('semantic IDs') in improving recommendation accuracy and diversity, while reducing model size, for two music recommendation datasets, including an online A/B test on a music streaming service.
Abstract（参考訳）: 次世代レコメンデーションのためのトレーニングレコメンデータシステムは、各項目について学ぶために独自の埋め込みを必要とすることが多い。コンテンツ情報などの共有埋め込みは、メモリに格納される異なる埋め込みの数を減らすことができる。これにより、より軽量なモデルが可能になる。それに応じて、メモリに格納する埋め込みが少なくなるため、モデルの複雑さが増大する可能性がある。音楽ストリーミングサービス上でのオンラインA/Bテストを含む2つの楽曲レコメンデーションデータセットに対して,レコメンデーションの精度と多様性を向上させる上で,共有コンテンツベース機能(「セマンティックID」)を使用することのメリットを示す。

関連論文リスト

Memory-Modular Classification: Learning to Generalize with Memory Replacement [79.772454831493]
本稿では,知識記憶と推論を分離した画像分類のためのメモリモジュール学習手法を提案する。我々のモデルは、メモリ内容を置き換えるだけで、新しいクラスを効果的に一般化することができる。実験の結果,提案手法の有望な性能と汎用性を示した。
論文参考訳（メタデータ） (2025-04-08T13:26:24Z)
Pre-training Generative Recommender with Multi-Identifier Item Tokenization [78.87007819266957]
本稿では, MTGRecを用いて, 生成Recommender事前学習のためのトークンシーケンスデータを拡張する手法を提案する。このアプローチには、マルチアイデンティティーアイテムトークン化とカリキュラムレコメンデータ事前トレーニングという、2つの重要なイノベーションがあります。 3つの公開ベンチマークデータセットに対する大規模な実験は、MTGRecが従来の推奨基準と生成推奨基準の両方を大きく上回っていることを示している。
論文参考訳（メタデータ） (2025-04-06T08:03:03Z)
Diffusion Model for Slate Recommendation [11.213751401087158]
スレートレコメンデーション(スレートレコメンデーション)は、ストリーミングプラットフォームやeコマースサイトで、複数のアイテムをまとめて提示するテクニックである。従来の手法では、ユーザが一度に1つのアイテムだけをエンゲージすると仮定することで、この問題を単純化することが多い。本研究では,高次元データから構造を学習する能力を活かした拡散モデルを用いた生成手法を提案する。
論文参考訳（メタデータ） (2024-08-13T13:29:57Z)
Scalable Dynamic Embedding Size Search for Streaming Recommendation [54.28404337601801]
実世界のレコメンデーションシステムは、しばしばストリーミングレコメンデーションシナリオで機能する。ユーザやアイテムの数は増加を続けており、かなりのストレージリソース消費につながっている。 SCALLと呼ばれるストリーミングレコメンデーション用のLightweight Embeddingsを学び、ユーザ/イテムの埋め込みサイズを適応的に調整できる。
論文参考訳（メタデータ） (2024-07-22T06:37:24Z)
Ada-Retrieval: An Adaptive Multi-Round Retrieval Paradigm for Sequential Recommendations [50.03560306423678]
本稿では,レコメンダシステムのための適応型マルチラウンド検索パラダイムであるAda-Retrievalを提案する。 Ada-Retrievalは、ユーザー表現を反復的に洗練し、全項目領域の潜在的な候補をよりよく捉えます。
論文参考訳（メタデータ） (2024-01-12T15:26:40Z)
ID Embedding as Subtle Features of Content and Structure for Multimodal Recommendation [13.338363107777438]
コンテンツと構造の両方の健全な特徴を高めるために,ID埋め込みを取り入れた新しいレコメンデーションモデルを提案する。提案手法は,最先端のマルチモーダルレコメンデーション手法や細粒度ID埋め込みの有効性に優れる。
論文参考訳（メタデータ） (2023-11-10T09:41:28Z)
Exploring Fine-Grained Representation and Recomposition for Cloth-Changing Person Re-Identification [78.52704557647438]
補助的なアノテーションやデータなしに両方の制約に対処するために,新しいFIne-fine Representation and Recomposition (FIRe$2$) フレームワークを提案する。 FIRe$2$は、広く使われている5つのRe-IDベンチマークで最先端のパフォーマンスを実現することができる。
論文参考訳（メタデータ） (2023-08-21T12:59:48Z)
Mem-Rec: Memory Efficient Recommendation System using Alternative Representation [6.542635536704625]
MEM-RECは、テーブルを埋め込むための新しい代替表現手法である。 MEM-RECはレコメンデーション品質を維持するだけでなく、埋め込み遅延を改善することができる。
論文参考訳（メタデータ） (2023-05-12T02:36:07Z)
Dual Personalization on Federated Recommendation [50.4115315992418]
フェデレートされたレコメンデーションは、フェデレーションされた設定でプライバシを保存するレコメンデーションサービスを提供することを目的とした、新しいインターネットサービスアーキテクチャである。本稿では,ユーザ固有の軽量モデルの多くを学習するためのPersonalized Federated Recommendation(PFedRec)フレームワークを提案する。また、ユーザとアイテムの両方の詳細なパーソナライズを効果的に学習するための、新しい二重パーソナライズ機構を提案する。
論文参考訳（メタデータ） (2023-01-16T05:26:07Z)
M2TRec: Metadata-aware Multi-task Transformer for Large-scale and Cold-start free Session-based Recommendations [9.327321259021236]
セッションベース推薦システム(SBRS)は従来の手法よりも優れた性能を示した。セッションベースレコメンデーションのためのメタデータ対応マルチタスクトランスフォーマモデルであるM2TRecを提案する。
論文参考訳（メタデータ） (2022-09-23T19:34:29Z)

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。