Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Personalized Diffusion Model Reshapes Cold-Start Bundle Recommendation

Created by
  • Haebom

저자

Tuan-Nghia Bui, Huy-Son Nguyen, Cam-Van Thi Nguyen, Hoang-Quynh Le, Duc-Trong Le

개요

본 논문은 사용자에게 여러 아이템의 집합(번들)을 추천하는 번들 추천 문제에서, 특히 콜드 스타트 시나리오에서 사용자와 번들 간의 상호작용이 부족한 문제를 해결하는 새로운 접근 방식인 DisCo를 제안합니다. DisCo는 사용자의 관심사를 분리된 측면으로 강화한 개인화된 확산 백본을 기반으로 각 사용자에 대한 분포 공간에서 번들을 생성합니다. 또한, 상위 K개 추천을 위한 생성 모델 사용 시 발생하는 편향 문제를 해결하기 위해 추가적인 목적 함수 손실 항을 조정합니다. 실험 결과, DisCo는 세 개의 실제 데이터셋에서 다섯 개의 비교 기준 모델보다 훨씬 우수한 성능을 보였습니다.

시사점, 한계점

시사점:
콜드 스타트 번들 추천 문제에 대한 효과적인 해결책 제시
개인화된 확산 백본과 분리된 관심사 측면을 활용한 새로운 접근 방식 제안
생성 모델의 편향 문제를 완화하는 추가적인 손실 항 도입
실제 데이터셋에서 우수한 성능 검증
한계점:
제안된 모델의 일반화 성능에 대한 추가적인 연구 필요
다양한 콜드 스타트 시나리오에 대한 로버스트성 평가 필요
다른 유형의 추천 시스템과의 비교 분석 필요
👍