[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Recommandation générative multi-cibles inter-domaines

Created by
  • Haebom

Auteur

Jinqiu Jin, Yang Zhang, Junwei Pan, Fuli Feng, Hua Lu, Haijie Gu, Xiangnan He

Contour

Dans cet article, nous présentons la Recommandation Générative Multi-Cibles Inter-domaines (GMC), une nouvelle approche basée sur le paradigme génératif pour résoudre le problème de la Recommandation Multi-Cibles Inter-domaines (MTCDR). Alors que les méthodes MTCDR existantes reposent sur des entités partagées entre domaines, la GMC intègre les connaissances de plusieurs domaines dans un modèle génératif unifié utilisant des identifiants sémantiques partagés par domaine. Nous générons des identifiants sémantiques partagés par domaine à l'aide d'un tokeniseur d'éléments et entraînons un modèle séquence à séquence intégré au domaine pour formaliser les recommandations d'éléments comme prochaine tâche de génération de jetons. Pour exploiter les informations du domaine, nous introduisons une perte contrastive sensible au domaine et effectuons un réglage fin spécifique au domaine. Les résultats expérimentaux sur cinq jeux de données publics démontrent que la GMC surpasse les méthodes existantes.

Takeaways, Limitations

Takeaways:
Nous présentons une méthode MTCDR efficace même dans des scénarios de recommandation sans chevauchement où il n'y a pas d'entités partagées entre les domaines.
Intégrer efficacement les connaissances multi-domaines à l’aide de modèles génératifs.
Transférez efficacement des informations entre domaines à l'aide d'identifiants sémantiques partagés par domaine.
La perte de contraste sensible au domaine et le réglage fin spécifique au domaine sont utilisés pour améliorer les performances.
Il surpasse les méthodes existantes sur une variété d’ensembles de données.
Limitations:
Les performances de GMC peuvent être affectées par les performances du tokeniseur d'éléments.
Des problèmes de surapprentissage peuvent survenir pendant le processus de réglage fin spécifique au domaine.
Des recherches supplémentaires sont nécessaires sur son adaptabilité à de nouveaux domaines.
Une analyse supplémentaire peut être nécessaire sur l’interprétabilité des identifiants sémantiques partagés du domaine utilisés.
👍