論文の概要: Learning Sparse Representations of Multimodal Content for Enhanced Cold Item Recommendation

• arxiv url: http://arxiv.org/abs/2607.17184v1
• Date: Sun, 19 Jul 2026 10:45:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.38863
• Title: Learning Sparse Representations of Multimodal Content for Enhanced Cold Item Recommendation
• Title（参考訳）: 冷蔵品推薦強化のためのマルチモーダル内容のスパース表現
• Abstract要約: 我々は、このコンテンツベースのコールドスタートパラダイムにおいて、スパース埋め込みは標準密度ベクトルよりも顕著な利点があると主張している。 その結果, 冷間開始推奨精度は, 比較的低い貯蔵コストで高密度埋込みよりも大幅に向上したことがわかった。
• 参考スコア（独自算出の注目度）: 5.958603849321135
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The scale and rapid growth of item catalogs in modern digital platforms present significant challenges to recommender system (RS) practitioners. Most RSs use embedding similarity to predict user-item preferences, but embedding storage and low-latency retrieval is challenging in industry-scale catalogs. Furthermore, newly added items do not have corresponding embeddings and cannot be recommended effectively; previous works often tackle this item cold-start problem by generating cold item representations from auxiliary content, such as images or descriptive text, so that user preferences can be predicted without historical interactions. In this paper, we argue that sparse embeddings have notable advantages over standard dense vectors in this content-based cold-start paradigm. We describe how existing cold-start training regimes can be adapted for sparse representation learning, and build on insights from linear attention to design a pre-sparsification activation technique that induces sharpness and denoising effects in learned item-item similarities. We show that the resulting sparse embeddings achieve significant improvements in cold-start recommendation accuracy over dense embeddings at considerably lower storage costs, especially for users with multiple interests. Through comprehensive experiments on four multimodal RS datasets, we also demonstrate the interpretability of sparse content embeddings and their robustness in the trade-off between size and accuracy.
• Abstract（参考訳）: 現代のデジタルプラットフォームにおけるアイテムカタログの規模と急速な成長は、レコメンデーターシステム(RS)実践者に大きな課題をもたらしている。 ほとんどのRSは、ユーザの好みを予測するために埋め込み類似性を使用しているが、業界規模のカタログでは、埋め込みストレージと低レイテンシ検索が難しい。 さらに、新たに追加された項目は、対応する埋め込みを持たず、効果的に推奨できない。過去の研究は、画像や記述テキストなどの補助コンテンツからコールドアイテム表現を生成して、歴史的相互作用なしにユーザの好みを予測することで、このアイテムのコールドスタート問題に対処することが多い。 本稿では,このコンテントベースコールドスタートパラダイムにおいて,スパース埋め込みが標準密度ベクトルに対して顕著な優位性を持っていることを論じる。 本稿では,既存の冷間開始訓練体制が疎表現学習にどのように適応できるかを述べるとともに,学習項目類似性におけるシャープネスとデノベーション効果を誘導する,分別前のアクティベーション技術を設計するために線形注意からの洞察に基づいて構築する。 その結果, 保存コストが大幅に低い密着型埋め込みよりも冷間開始推奨精度が大幅に向上し, 特に複数の関心を持つユーザに対して高い効果が得られた。 4つのマルチモーダルRSデータセットに関する総合的な実験を通じて、スパースコンテンツ埋め込みの解釈可能性と、サイズと精度のトレードオフにおける堅牢性を示す。

関連論文リスト

• Sparse Personalized Text Generation with Multi-Trajectory Reasoning [95.19317487799292]
  PAT(Personalization with Aligned Trajectories)は、コールドスタートLDMパーソナライズのための推論フレームワークである。 まず、スタイリスティックに類似したユーザからの書き込みスタイルの手がかりと、嗜好に沿ったユーザからのトピック固有のコンテキストの2つの相補的なトラジェクトリに沿って情報を取得する。 次に、強化学習に基づく反復的な二重共振機構を用い、LLMはこれらの信号を共同で洗練し統合することができる。
  論文  参考訳（メタデータ） (2026-04-27T20:58:49Z)
• 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)
• Efficient Cold-Start Recommendation via BPE Token-Level Embedding Initialization with LLM [1.1049570075807806]
  本稿では,サブワードレベルの表現に基づく効率的なコールドスタートレコメンデーション戦略を提案する。 BPE語彙に整合したきめ細かいトークンレベルのベクトルを得る。 サブワード認識埋め込みを用いることで、より一般化し、より解釈可能であることを示す。
  論文  参考訳（メタデータ） (2025-09-16T15:32:51Z)
• Let It Go? Not Quite: Addressing Item Cold Start in Sequential Recommendations with Content-Based Initialization [0.8437187555622164]
  凍結埋め込みに小さな訓練可能なデルタを導入し、モデルが元のセマンティック構造から遠ざかることなく、アイテム表現を適応できるようにする。 このアプローチは、複数のデータセットとモダリティにわたって一貫した改善を示す。
  論文  参考訳（メタデータ） (2025-07-25T17:57:31Z)
• Language-Model Prior Overcomes Cold-Start Items [14.370472820496802]
  RecSysの成長は、デジタル化と、eコマースやビデオストリーミングなどの分野におけるパーソナライズされたコンテンツの必要性による。 コンテンツベースのレコメンデータやハイブリッドメソッドといったコールドスタート問題の既存のソリューションは、アイテムメタデータを活用してアイテムの類似性を決定する。 本稿では,言語モデル(LM)を用いて項目類似度を推定する,コールドスタートアイテムレコメンデーションのための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-11-13T22:45:52Z)
• Firzen: Firing Strict Cold-Start Items with Frozen Heterogeneous and Homogeneous Graphs for Recommendation [34.414081170244955]
  厳密なコールドスタートとウォームスタートのレコメンデーションを解決するために,項目と知識グラフのマルチモーダルコンテンツ(KG)を統合した統合フレームワークを提案する。 我々のモデルでは,厳密なコールドスタート勧告と,ウォームスタートシナリオにおける最先端性能に適合する性能の向上が期待できる。
  論文  参考訳（メタデータ） (2024-10-10T06:48:27Z)
• 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)
• 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)
• Retrieval-Enhanced Contrastive Vision-Text Models [61.783728119255365]
  そこで本研究では,メモリから取得したクロスモーダルな情報を推論時に表現することで,その埋め込みを洗練できる視覚テキストモデルを提案する。 注目すべきことに、これは凍ったCLIPの上に軽量の単層核融合トランスを用いて行うことができる。 検索強化コントラスト訓練(RECO)がCLIPの性能を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2023-06-12T15:52:02Z)
• Diverse Preference Augmentation with Multiple Domains for Cold-start Recommendations [92.47380209981348]
  メタラーニングをベースとした多元的ドメインを用いた多元的推論拡張フレームワークを提案する。 我々は、疎結合の場合の過度な適合を扱うために、新しい関心領域において多様な評価を生成する。 これらの評価は、選好メタラーナーを学ぶためのメタトレーニング手順に導入され、優れた一般化能力が得られる。
  論文  参考訳（メタデータ） (2022-04-01T10:10:50Z)
• Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
  コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。 MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
  論文  参考訳（メタデータ） (2021-10-18T08:11:24Z)
• Sparse-Interest Network for Sequential Recommendation [78.83064567614656]
  本稿では,シーケンシャルレコメンデーションのためのtextbfSparse textbfInterest textbfNEtwork(SINE)を提案する。 我々のスパース関心モジュールは、大きなコンセプトプールから各ユーザに対してスパースの概念セットを適応的に推測することができる。 SINEは最先端の手法よりも大幅に改善できる。
  論文  参考訳（メタデータ） (2021-02-18T11:03:48Z)

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。