論文の概要: Recommending Composite Items Using Multi-Level Preference Information: A Joint Interaction Modeling Approach

• arxiv url: http://arxiv.org/abs/2601.19005v1
• Date: Mon, 26 Jan 2026 22:35:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.087226
• Title: Recommending Composite Items Using Multi-Level Preference Information: A Joint Interaction Modeling Approach
• Title（参考訳）: マルチレベル選好情報を用いた複合品の推薦:共同インタラクションモデリングアプローチ
• Authors: Xuan Bi, Yaqiong Wang, Gediminas Adomavicius, Shawn Curley,
• Abstract要約: 本研究では,異なるレベルの粒度から得られるすべてのデータを活用するために,単一のモデルを用いた協調相互作用モデリング手法であるJIMAを提案する。 提案手法を評価し, オフライン・オンライン両方の実データとともに, 複数のシミュレーション研究を通して, 高度なベースラインと比較した。
• 参考スコア（独自算出の注目度）: 2.204009290624209
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the advancement of machine learning and artificial intelligence technologies, recommender systems have been increasingly used across a vast variety of platforms to efficiently and effectively match users with items. As application contexts become more diverse and complex, there is a growing need for more sophisticated recommendation techniques. One example is the composite item (for example, fashion outfit) recommendation where multiple levels of user preference information might be available and relevant. In this study, we propose JIMA, a joint interaction modeling approach that uses a single model to take advantage of all data from different levels of granularity and incorporate interactions to learn the complex relationships among lower-order (atomic item) and higher-order (composite item) user preferences as well as domain expertise (e.g., on the stylistic fit). We comprehensively evaluate the proposed method and compare it with advanced baselines through multiple simulation studies as well as with real data in both offline and online settings. The results consistently demonstrate the superior performance of the proposed approach.
• Abstract（参考訳）: 機械学習と人工知能技術の進歩により、リコメンダシステムはさまざまなプラットフォームにまたがって利用され、ユーザとアイテムを効率的に効果的にマッチングするようになっている。 アプリケーションコンテキストが多様化し、複雑化するにつれ、より高度なレコメンデーションテクニックの必要性が高まっています。 例えば、複数のレベルのユーザー嗜好情報が提供され、関連性があるかもしれない複合アイテム(ファッションの衣装など)のレコメンデーションがある。 本研究では,異なるレベルの粒度から得られるすべてのデータを利用して,下位(アトミックな項目)と上位(複合的な項目)のユーザの嗜好とドメインの専門知識(スタイリスティックな適合性)の複雑な関係を学習するために,単一のモデルを用いたインタラクションモデリング手法であるJIMAを提案する。 提案手法を網羅的に評価し,複数のシミュレーション研究を通じて,オフライン・オンライン両方の実データと比較した。 この結果は,提案手法の優れた性能を一貫して示すものである。

関連論文リスト

• Does Multimodality Improve Recommender Systems as Expected? A Critical Analysis and Future Directions [52.21847626165085]
  マルチモーダルレコメンデーションシステムは、多種多様なデータ型を統合することで、パフォーマンスを向上させる可能性が高まっている。 しかし、この統合の実際の利点ははっきりしないままであり、いつ、どのように本当にレコメンデーションを強化するのかという疑問が持ち上がっている。 4次元にわたるマルチモーダルレコメンデーションを体系的に評価するための構造化評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-07T13:21:00Z)
• Multi-Level Aware Preference Learning: Enhancing RLHF for Complex Multi-Instruction Tasks [81.44256822500257]
  RLHFは、人工知能システムと人間の好みを結びつける主要なアプローチとして登場した。 RLHFは、複雑なマルチインストラクションタスクに直面すると、不十分なコンプライアンス機能を示す。 本稿では,マルチインストラクション能力を向上させる新しいMAPL(Multi-level Aware Preference Learning)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-19T08:33:11Z)
• Prompt-to-Slate: Diffusion Models for Prompt-Conditioned Slate Generation [9.864273882854297]
  本稿では, 急速条件付きスレート生成のための拡散モデルに基づく生成フレームワークであるDMSGを紹介する。 検索ベースや自己回帰モデルとは異なり、DMSGはスレート上の結合分布をモデル化し、柔軟性と多様性を高める。 DMSGを音楽プレイリスト生成とeコマースバンドル生成の2つの重要な領域で評価する。
  論文  参考訳（メタデータ） (2024-08-13T13:29:57Z)
• Retrieval Augmentation via User Interest Clustering [57.63883506013693]
  インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。 本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。 当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
  論文  参考訳（メタデータ） (2024-08-07T16:35:10Z)
• Improving Content Recommendation: Knowledge Graph-Based Semantic Contrastive Learning for Diversity and Cold-Start Users [5.224122150536595]
  本稿では,複数タスクのハイブリッド学習手法を提案する。 我々のアプローチは、テキストからの意味情報を活用することにより、知識グラフ内のエンティティ間の関係をよりよく理解することを可能にする。
  論文  参考訳（メタデータ） (2024-03-27T15:11:00Z)
• 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)
• MM-GEF: Multi-modal representation meet collaborative filtering [43.88159639990081]
  本稿では,グラフアーリーフュージョンを用いたマルチモーダルレコメンデーション MM-GEF を提案する。 MM-GEFはマルチモーダル信号と協調信号の両方から得られる構造情報を注入することにより、洗練された項目表現を学習する。
  論文  参考訳（メタデータ） (2023-08-14T15:47:36Z)
• Conversational Recommendation: Theoretical Model and Complexity Analysis [6.084774669743511]
  理論的にドメインに依存しない会話推薦モデルを提案する。 効率的な会話戦略の発見はNPハードであることが示される。 また,カタログの特徴が個々の対話戦略の効率性に強く影響を与えることを示す。
  論文  参考訳（メタデータ） (2021-11-10T09:05:52Z)
• Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
  本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-08T09:44:00Z)

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。