論文の概要: Revisiting scalable sequential recommendation with Multi-Embedding Approach and Mixture-of-Experts

• arxiv url: http://arxiv.org/abs/2510.25285v1
• Date: Wed, 29 Oct 2025 08:42:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:45.289781
• Title: Revisiting scalable sequential recommendation with Multi-Embedding Approach and Mixture-of-Experts
• Title（参考訳）: マルチエンベディングアプローチとMixture-of-Expertsによるスケーラブルなシーケンシャルレコメンデーションの再検討
• Authors: Qiushi Pan, Hao Wang, Guoyuan An, Luankang Zhang, Wei Guo, Yong Liu,
• Abstract要約: 本稿では,Mixture-of-Experts(MoE)アーキテクチャとマルチ埋め込み戦略を統合するフレームワークであるFuxi-MMEを提案する。 具体的には, 従来の単一埋込行列を複数の低次元埋込行列に分解する。
• 参考スコア（独自算出の注目度）: 15.976682531132676
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recommendation systems, how to effectively scale up recommendation models has been an essential research topic. While significant progress has been made in developing advanced and scalable architectures for sequential recommendation(SR) models, there are still challenges due to items' multi-faceted characteristics and dynamic item relevance in the user context. To address these issues, we propose Fuxi-MME, a framework that integrates a multi-embedding strategy with a Mixture-of-Experts (MoE) architecture. Specifically, to efficiently capture diverse item characteristics in a decoupled manner, we decompose the conventional single embedding matrix into several lower-dimensional embedding matrices. Additionally, by substituting relevant parameters in the Fuxi Block with an MoE layer, our model achieves adaptive and specialized transformation of the enriched representations. Empirical results on public datasets show that our proposed framework outperforms several competitive baselines.
• Abstract（参考訳）: レコメンデーションシステムでは、レコメンデーションモデルを効果的にスケールアップする方法が重要な研究トピックとなっている。 逐次レコメンデーション(SR)モデルのための高度でスケーラブルなアーキテクチャの開発には大きな進歩があるが、ユーザコンテキストにおけるアイテムの多面的特徴と動的アイテム関連性により、依然として課題がある。 これらの問題に対処するため,Mixture-of-Experts (MoE)アーキテクチャとマルチ埋め込み戦略を統合するフレームワークであるFuxi-MMEを提案する。 具体的には, 従来の単一埋め込み行列を複数の低次元埋め込み行列に分解する。 さらに,フキシブロックのパラメータをMoE層に置換することにより,拡張表現の適応的・特殊変換を実現する。 公開データセットの実証的な結果から,提案するフレームワークは,いくつかの競争上のベースラインを上回っていることがわかった。

関連論文リスト

• Gated Multimodal Graph Learning for Personalized Recommendation [9.466822984141086]
  マルチモーダルレコメンデーションは、協調フィルタリングにおけるコールドスタートとスパーシリティの問題を軽減するための有望なソリューションとして登場した。 グラフベースユーザモデリングと適応型マルチモーダルアイテムエンコーディングを組み合わせた軽量かつモジュール化されたレコメンデーションフレームワーク RLMultimodalRec を提案する。
  論文  参考訳（メタデータ） (2025-05-30T16:57:17Z)
• Learning Item Representations Directly from Multimodal Features for Effective Recommendation [51.49251689107541]
  マルチモーダルレコメンデータシステムは、主にベイズパーソナライズされたランク付け(BPR)最適化を利用してアイテム表現を学習する。 本稿では,マルチモーダルな特徴からアイテム表現を直接学習し,推薦性能を向上する新しいモデル(LIRDRec)を提案する。
  論文  参考訳（メタデータ） (2025-05-08T05:42:22Z)
• Matrix Factorization with Dynamic Multi-view Clustering for Recommender System [5.807887214293438]
  マトリックス分解(MF)はレコメンデーションシステムの基盤である。 MFDMCは、Webスケールデータの包括的な利用と効率的なエンドツーエンドトレーニングのバランスをとる統合フレームワークである。
  論文  参考訳（メタデータ） (2025-04-20T10:47:21Z)
• Joint Modeling in Recommendations: A Survey [46.000357352884926]
  共同モデリングアプローチは、さまざまなタスク、シナリオ、モダリティ、振る舞いをレコメンデーションプロセスに統合することによって、制限を克服する上で中心となる。 我々は,マルチタスク,マルチシナリオ,マルチモーダル,マルチビヘイビア・モデリングという,4つの異なる次元のジョイント・モデリングのスコープを定義する。 本研究は,提案する共同モデルにおける今後の研究の道のりについて紹介し,その結果を簡潔にまとめる。
  論文  参考訳（メタデータ） (2025-02-28T16:14:00Z)
• CADMR: Cross-Attention and Disentangled Learning for Multimodal Recommender Systems [0.6037276428689637]
  本稿では,新しいオートエンコーダに基づくマルチモーダルレコメンデータシステムCADMRを提案する。 CADMRを3つのベンチマークデータセット上で評価し,最先端の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-12-03T09:09:52Z)
• Learning Multi-Aspect Item Palette: A Semantic Tokenization Framework for Generative Recommendation [55.99632509895994]
  マルチアスペクトセマンティックトークン化のための新しいアプローチであるLAMIAを紹介する。 単一の埋め込みを使用するRQ-VAEとは異なり、LAMIAは独立的でセマンティックな並列な埋め込みの集合である「アイテムパレット」を学習する。 その結果,提案手法よりも提案手法の精度が大幅に向上した。
  論文  参考訳（メタデータ） (2024-09-11T13:49:48Z)
• Towards Bridging the Cross-modal Semantic Gap for Multi-modal Recommendation [12.306686291299146]
  マルチモーダルレコメンデーションはレコメンデーションシステムの性能を大幅に向上させる。 既存のマルチモーダルレコメンデーションモデルは、マルチメディア情報伝搬プロセスを利用してアイテム表現を豊かにする。 本稿では,モダリティ間のセマンティックギャップをブリッジし,詳細な多視点セマンティック情報を抽出する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-07T15:56:03Z)
• LLM4Rerank: LLM-based Auto-Reranking Framework for Recommendations [51.76373105981212]
  リグレードはレコメンデーションシステムにおいて重要な要素であり、レコメンデーションアルゴリズムの出力を精査する上で重要な役割を果たす。 そこで我々は,様々な格付け基準をシームレスに統合する包括的格付けフレームワークを提案する。 カスタマイズ可能な入力機構も統合されており、言語モデルのフォーカスを特定の再配置のニーズに合わせることができる。
  論文  参考訳（メタデータ） (2024-06-18T09:29:18Z)
• Embedding in Recommender Systems: A Survey [54.55152033023537]
  本調査では,レコメンデータシステム埋め込み技術の進歩を包括的に分析する。 マトリックスベースのシナリオでは、協調フィルタリングはユーザの好みを効果的にモデル化する埋め込みを生成する。 パフォーマンス向上のため,AutoMLやハッシュ技術,量子化手法など,新たなアプローチを導入する。
  論文  参考訳（メタデータ） (2023-10-28T06:31:06Z)

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。