論文の概要: Asymmetric Diffusion Recommendation Model

• arxiv url: http://arxiv.org/abs/2508.12706v1
• Date: Mon, 18 Aug 2025 08:05:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:11.076271
• Title: Asymmetric Diffusion Recommendation Model
• Title（参考訳）: 非対称拡散勧告モデル
• Authors: Yongchun Zhu, Guanyu Jiang, Jingwu Chen, Feng Zhang, Xiao Yang, Zuotao Liu,
• Abstract要約: 非対称な方法で前と逆の過程を学習する非対称拡散勧告モデル(AsymDiffRec)を提案する。 AsymDiffRecはDouyin Music Appで実装されている。
• 参考スコア（独自算出の注目度）: 12.48124100628083
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, motivated by the outstanding achievements of diffusion models, the diffusion process has been employed to strengthen representation learning in recommendation systems. Most diffusion-based recommendation models typically utilize standard Gaussian noise in symmetric forward and reverse processes in continuous data space. Nevertheless, the samples derived from recommendation systems inhabit a discrete data space, which is fundamentally different from the continuous one. Moreover, Gaussian noise has the potential to corrupt personalized information within latent representations. In this work, we propose a novel and effective method, named Asymmetric Diffusion Recommendation Model (AsymDiffRec), which learns forward and reverse processes in an asymmetric manner. We define a generalized forward process that simulates the missing features in real-world recommendation samples. The reverse process is then performed in an asymmetric latent feature space. To preserve personalized information within the latent representation, a task-oriented optimization strategy is introduced. In the serving stage, the raw sample with missing features is regarded as a noisy input to generate a denoising and robust representation for the final prediction. By equipping base models with AsymDiffRec, we conduct online A/B tests, achieving improvements of +0.131% and +0.166% in terms of users' active days and app usage duration respectively. Additionally, the extended offline experiments also demonstrate improvements. AsymDiffRec has been implemented in the Douyin Music App.
• Abstract（参考訳）: 近年,拡散モデルの卓越した成果に動機づけられた拡散過程が,推薦システムにおける表現学習の強化に利用されてきた。 ほとんどの拡散ベースレコメンデーションモデルは、通常、連続データ空間における対称前方および逆過程における標準ガウスノイズを利用する。 それでも、レコメンデーションシステムから得られたサンプルは、連続した空間と根本的に異なる離散的なデータ空間に生息する。 さらに、ガウスノイズは潜在表現の中でパーソナライズされた情報を破損させる可能性がある。 本研究では,非対称なプロセスの前後を学習する非対称拡散勧告モデル(AsymDiffRec)を提案する。 実世界のレコメンデーションサンプルで欠落した特徴をシミュレートする一般化されたフォワードプロセスを定義する。 逆過程は非対称潜在特徴空間で実行される。 潜在表現内でパーソナライズされた情報を保存するために、タスク指向の最適化戦略を導入する。 提供段階において、特徴の欠落した原サンプルをノイズ入力と見なして、最終予測のための難解で頑健な表現を生成する。 AsymDiffRecをベースモデルにすることで、オンラインA/Bテストを実施し、ユーザのアクティブな日数とアプリ使用時間のそれぞれで、+0.131%と+0.166%の改善を実現します。 さらに、オフライン実験の拡張も改善されている。 AsymDiffRecはDouyin Music Appで実装されている。

関連論文リスト

• Unconditional Diffusion for Generative Sequential Recommendation [60.66931625619843]
  Brownian Bridge Diffusion Recommendation (BBDRec)を紹介する。 BBDRecは、構造化されたノイズの追加とデノゲーションメカニズムを適用し、トラジェクトリが特定のエンドポイント(ノイズではなくユーザ履歴)に制約されることを保証する。
  論文  参考訳（メタデータ） (2025-07-08T16:05:18Z)
• Flow Matching based Sequential Recommender Model [54.815225661065924]
  本研究では,フローマッチングに基づくフローマッチングモデルであるFMRecを紹介する。 FMRecは最先端の手法よりも平均6.53%改善している。
  論文  参考訳（メタデータ） (2025-05-22T06:53:03Z)
• Breaking Determinism: Fuzzy Modeling of Sequential Recommendation Using Discrete State Space Diffusion Model [66.91323540178739]
  シークエンシャルレコメンデーション(SR)は、ユーザーが過去の行動に基づいて興味を持つかもしれない項目を予測することを目的としている。 我々はSRを新しい情報理論の観点から再検討し、逐次モデリング手法がユーザの行動のランダム性と予測不可能性を適切に把握できないことを発見した。 ファジィ情報処理理論に触発された本論文では,制限を克服し,ユーザの関心事の進化をよりよく捉えるために,ファジィなインタラクションシーケンスの組を導入する。
  論文  参考訳（メタデータ） (2024-10-31T14:52:01Z)
• Training-free Diffusion Model Alignment with Sampling Demons [15.400553977713914]
  提案手法は,報酬関数やモデル再学習を介さずに,推論時の復調過程を導出するための最適化手法である。 提案手法は,高報酬に対応する領域の密度を最適化することにより,雑音分布の制御を行う。 実験の結果,提案手法は平均的美学のテキスト・ツー・イメージ生成を著しく改善することがわかった。
  論文  参考訳（メタデータ） (2024-10-08T07:33:49Z)
• Bridging User Dynamics: Transforming Sequential Recommendations with Schrödinger Bridge and Diffusion Models [49.458914600467324]
  拡散に基づく逐次レコメンデーションモデルにSchr"odinger Bridgeを導入し、SdifRecモデルを作成する。 また、ユーザクラスタリング情報を誘導条件として利用するcon-SdifRecと呼ばれるSdifRecの拡張版も提案する。
  論文  参考訳（メタデータ） (2024-08-30T09:10:38Z)
• Diffusion Models with Deterministic Normalizing Flow Priors [21.24885597341643]
  フローと拡散モデルを正規化する手法であるDiNof(textbfDi$ffusion with $textbfNo$rmalizing $textbff$low priors)を提案する。 標準画像生成データセットの実験は、既存の手法よりも提案手法の利点を実証している。
  論文  参考訳（メタデータ） (2023-09-03T21:26:56Z)
• Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
  連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。 条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。 提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
  論文  参考訳（メタデータ） (2022-11-30T05:33:29Z)

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。

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。