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.

JEPA4Rec : Apprentissage de représentations linguistiques efficaces pour la recommandation séquentielle via une architecture prédictive d'intégration conjointe

Created by
  • Haebom

Auteur

Minh-Anh Nguyen, Dung D. Le

Contour

JEPA4Rec est un nouveau framework pour les systèmes de recommandation séquentielle, proposé pour répondre aux défis liés au manque de compréhension des préférences courantes des utilisateurs et à l'insuffisance des données. Il convertit les informations descriptives, telles que les titres et les catégories d'éléments, en phrases et utilise un encodeur Transformer bidirectionnel pour apprendre des représentations sémantiquement riches et transférables. Grâce à des techniques de masquage et à l'apprentissage auto-supervisé, il apprend des intégrations d'éléments généralisées et améliore les performances de recommandation. Il surpasse les méthodes de pointe existantes sur plusieurs jeux de données réels, démontrant son efficacité dans les environnements multi-domaines, multi-plateformes et à faibles ressources.

Takeaways, Limitations

•
Takeaways:
◦
Présentation d’une nouvelle approche qui répond efficacement aux problèmes de rareté des données et de manque de compréhension des préférences générales des utilisateurs.
◦
Améliorer les performances de recommandation en apprenant des représentations d'éléments sémantiquement riches et transférables.
◦
Apprentissage efficace des modèles et amélioration des performances grâce à l'apprentissage auto-supervisé.
◦
Excellentes performances dans tous les domaines, plates-formes et environnements à faibles ressources.
•
Limitations:
◦
Augmentation potentielle du coût de calcul en raison de la complexité du modèle proposé.
◦
Possibilité de perte d'informations lors de la conversion en phrases.
◦
Il se peut que ses performances ne soient bonnes que sur certains types de données (des recherches supplémentaires sur les performances de généralisation sont nécessaires).
◦
Manque d’analyse détaillée des caractéristiques de l’ensemble de données utilisé.
👍
Made with Slashpage