Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

HiD-VAE: Recomendación generativa interpretable mediante identificadores semánticos jerárquicos y desenredados

Created by
  • Haebom

Autor

Dengzhao Fang, Jingtong Gao, Chengcheng Zhu, Yu Li, Xiangyu Zhao, Yi Chang

Describir

Este artículo propone HiD-VAE, un nuevo marco para el aprendizaje de representaciones de ítems jerárquicamente disjuntas, con el fin de abordar los problemas de planitud semántica y entrelazamiento representacional causados ​​por la tokenización no supervisada en los sistemas de recomendación generativa existentes. HiD-VAE alinea etiquetas de ítems multinivel y códigos discretos mediante un proceso de cuantificación jerárquica supervisada para generar identificadores más uniformes y disjuntos, e introduce pérdida de unicidad para penalizar directamente la redundancia del espacio latente, abordando así el problema del entrelazamiento representacional. Este enfoque logra una mayor precisión y diversidad en las recomendaciones, y demostramos su rendimiento superior al de los métodos más avanzados mediante experimentos en tres puntos de referencia disponibles públicamente.

Takeaways, Limitations

•
Takeaways:
◦
Mejoramos la interpretabilidad semántica, la precisión de las recomendaciones y la diversidad de los sistemas de recomendación generativos a través de la cuantificación supervisada jerárquica y la pérdida de unicidad.
◦
El libro de códigos aprendido proporciona una ruta semántica rastreable e interpretable hacia las recomendaciones.
◦
Resolvió eficazmente los problemas de planitud semántica y entrelazamiento de representación, que son los principales problemas Limitations de los sistemas de recomendación generativa existentes.
◦
Proporciona un marco general aplicable a los sistemas de recomendación en diversos campos.
•
Limitations:
◦
La eficacia del método propuesto puede depender del conjunto de datos y del esquema de etiquetado utilizado.
◦
La complejidad del proceso de cuantificación supervisada jerárquica puede incrementar el costo computacional.
◦
Los resultados experimentales se limitan a un conjunto de datos de referencia específico, y el rendimiento de generalización a otros conjuntos de datos requiere más investigación.
◦
La escalabilidad del código publicado actualmente y su rendimiento en entornos de servicio reales requieren una verificación adicional.
👍
Made with Slashpage