論文の概要: DiffCold: A Diffusion-based Generative Model for Cold-Start Item Recommendation

• arxiv url: http://arxiv.org/abs/2606.12245v1
• Date: Wed, 10 Jun 2026 15:47:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.541885
• Title: DiffCold: A Diffusion-based Generative Model for Cold-Start Item Recommendation
• Title（参考訳）: DiffCold:コールドスタート項目推薦のための拡散に基づく生成モデル
• Authors: Kangning Zhang, Yingjie Qin, Weinan Zhang, Yong Yu, Jianghao Lin,
• Abstract要約: 本稿では,暖かさと寒さの表現を統一する拡散モデルを提案する。 3つのベンチマークの実験では、DiffColdがシーソージレンマを解消することを確認した。
• 参考スコア（独自算出の注目度）: 25.514632200623968
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cold-start item recommendation remains a persistent challenge in real-world systems due to the absence of interaction histories. While prior models attempt to bridge this gap using item content features, they universally suffer from the \textbf{seesaw dilemma}: enhancing performance for cold items inevitably degrades performance for warm items, and vice versa. We identify that this dilemma stems from a fundamental \textbf{distributional disparity}: warm item embeddings occupy a complex ``behavioral manifold" shaped by rich interaction signals, whereas cold item embeddings are constrained to a ``semantic manifold" derived solely from auxiliary content. Existing methods often force a rigid mapping between these inconsistent spaces, causing the model to sacrifice the precision of warm representations to accommodate cold ones. To address this, we propose \textbf{DiffCold}, a diffusion-based generative model that unifies warm and cold representations. Unlike GANs or VAEs, DiffCold leverages conditional diffusion to reconstruct warm item embeddings from content, preserving the underlying manifold structure without degradation. We further tailor this paradigm with two specific designs: a \textbf{Retrieval-enhanced Aggregator} that initializes generation using semantically similar warm items to bypass inefficient noise, and a \textbf{Simulation-based Representation Alignment} module that enforces distribution consistency between generated and real embeddings via contrastive learning. Experiments on three benchmarks confirm that DiffCold resolves the seesaw dilemma, consistently outperforming state-of-the-art methods across all metrics.
• Abstract（参考訳）: コールドスタートアイテムレコメンデーションは、インタラクション履歴が欠如しているために、現実世界のシステムにおいて永続的な課題である。 先行モデルでは、アイテムコンテンツ機能を使ってこのギャップを埋めようとするが、コールドアイテムのパフォーマンスが必然的に低下し、その逆も問題になる、という \textbf{seesaw dilemma} に苦しむ。 このジレンマは基本的 \textbf{distributional disparity} に由来する: 温かいアイテム埋め込みはリッチな相互作用信号によって形成される複雑な ‘behavioral manifold' を占有するが、コールドアイテム埋め込みは補助的内容のみから導かれる ‘semantic manifold' に制約される。 既存の手法はしばしばこれらの不整合空間間の厳密なマッピングを強制し、モデルが冷たい空間に対応するための温かい表現の精度を犠牲にする原因となった。 そこで本研究では,暖かさと寒さの表現を統一する拡散型生成モデルである「textbf{DiffCold}」を提案する。 GAN や VAE とは異なり、DiffCold は条件拡散を利用してコンテンツから温かいアイテムの埋め込みを再構築し、下層の多様体構造を劣化せずに保存する。 さらに、このパラダイムを、意味的に類似した温かいアイテムを用いて生成を初期化する「textbf{Retrieval-enhanced Aggregator}」と、対照的な学習を通して生成された埋め込みと実際の埋め込みの間の分散一貫性を強制する「textbf{Simulation-based Representation Alignment}」モジュールの2つの特定の設計で調整する。 3つのベンチマークの実験では、DiffColdがシーソージレンマを解決し、すべてのメトリクスにおける最先端メソッドを一貫して上回っていることが確認されている。

関連論文リスト

• Sparse Contrastive Learning for Content-Based Cold Item Recommendation [5.958603849321135]
  アイテムコールドスタートは、コラボレーティブフィルタリング(CF)レコメンデーションシステムにおいて、広範囲にわたる課題である。 既存の手法では、画像やテキスト記述などの補助的な項目をCFモデルの埋め込み空間にマッピングすることで、コールドスタートモデルをトレーニングすることが多い。 我々は,寒冷品の純粋に内容に基づくモデリング,すなわちCFユーザやアイテムの埋め込みを伴わずに,この制限を回避することを提案する。
  論文  参考訳（メタデータ） (2026-04-14T17:24:25Z)
• Score Distillation of Flow Matching Models [67.86066177182046]
  我々は、Score Identity Distillation (SiD) を事前訓練されたテキスト対画像フローマッチングモデルに拡張する。 SiDは、データフリーとデータアシストの両方の設定で、これらのモデルですぐに使える。 これは、スコア蒸留がテキストと画像のフローマッチングモデルに広く適用されるという最初の体系的な証拠を提供する。
  論文  参考訳（メタデータ） (2025-09-29T17:45:48Z)
• 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)
• Rectified Diffusion Guidance for Conditional Generation [94.83538269086613]
  CFGの背後にある理論を再検討し、不適切な組合せ係数(textiti.e.)が生成分布を期待的にシフトさせることを厳密に確認する。 提案手法は, 強みを考慮すれば, textbftextitform ソリューションが有効であることを示す。 実世界のデータに関する実証的な証拠は、我々の設計と既存の最先端拡散モデルとの整合性を実証している。
  論文  参考訳（メタデータ） (2024-10-24T13:41:32Z)
• Graph Signal Diffusion Model for Collaborative Filtering [22.727100820178414]
  協調フィルタリングはレコメンデータシステムにおいて重要な手法である。 拡散モデルに関する既存の研究は、暗黙のフィードバックをモデル化するための効果的な解決策を欠いている。 協調フィルタリングのためのグラフ信号拡散モデル(GiffCF)を提案する。
  論文  参考訳（メタデータ） (2023-11-15T07:25:14Z)
• Riemannian Diffusion Schr\"odinger Bridge [56.20669989459281]
  拡散モデルのサンプリングを高速化するために,emphRiemannian Diffusion Schr"odinger Bridgeを導入する。 提案手法は, 合成データと実際の地球・気候データについて検証する。
  論文  参考訳（メタデータ） (2022-07-07T00:35:04Z)
• 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)
• Modeling Sequences as Distributions with Uncertainty for Sequential Recommendation [63.77513071533095]
  既存のシーケンシャルメソッドの多くは、ユーザが決定論的であると仮定する。 項目-項目遷移は、いくつかの項目において著しく変動し、ユーザの興味のランダム性を示す。 本稿では,不確実性を逐次モデルに注入する分散型トランスフォーマーシークエンシャルレコメンデーション(DT4SR)を提案する。
  論文  参考訳（メタデータ） (2021-06-11T04:35:21Z)

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。