- Мультимодальная система рекомендаций с дополнительной информацией(arXiv)
Автор: Муфхумудзи Мутиви, Теренс Л. ван Зил, Хайронг Ван
Аннотация: Контекстно-зависимые рекомендательные системы улучшают классические рекомендательные системы, включая в моделирование поведение пользователя. Исследования систем контекстно-зависимых рекомендаций ранее рассматривали только последовательный порядок элементов как контекстную информацию. Однако существует множество неиспользованной дополнительной мультимодальной информации, доступной во вспомогательных знаниях, связанных с предметами. Это исследование расширяет существующее исследование, оценивая мультимодальную систему рекомендаций, которая использует включение всесторонних вспомогательных знаний, связанных с предметом. Эмпирические результаты исследуют извлечение векторных представлений (встраивания) из неструктурированных и структурированных данных с использованием data2vec. Объединенные вложения затем используются для обучения нескольких современных архитектур преобразователей для последовательного представления пользовательских элементов. Анализ результатов эксперимента показывает статистически значимое улучшение точности предсказания, что подтверждает эффективность включения вспомогательной информации в контекстно-зависимую рекомендательную систему. Мы сообщаем об увеличении оценки NDCG на 4% и 11% для длинных и коротких наборов данных пользовательских последовательностей соответственно.
2. Использование вмешательств для улучшения обобщения вне распространения систем рекомендаций с сопоставлением текста(arXiv)
Автор:Парикшит Бансал, Яшотеджа Прабху, Эмре Кичиман, Амит Шарма
Аннотация. При наличии вводимого пользователем текста рекомендательные системы с сопоставлением текста выводят релевантные элементы, сравнивая введенный текст с описанием доступных элементов, например рекомендацией по продукту на платформах электронной коммерции. Поскольку ожидается, что интересы пользователей и запасы предметов изменятся, для системы сопоставления текстов важно обобщать сдвиги данных, задача, известная как обобщение вне распределения (OOD). Однако мы обнаружили, что популярный подход тонкой настройки большой базовой языковой модели на данных релевантности парных элементов (например, кликах пользователей) может быть контрпродуктивным для обобщения OOD. Для задачи рекомендации продукта точная настройка дает меньшую точность, чем базовая модель, при рекомендации товаров в новой категории или на будущий период времени. Чтобы объяснить эту неудачу обобщения, мы рассматриваем показатель важности, основанный на вмешательстве, который показывает, что точно настроенная модель улавливает ложные корреляции и не может изучить причинно-следственные связи, определяющие релевантность между любыми двумя текстовыми входами. Более того, стандартные методы каузальной регуляризации в этом случае неприменимы, потому что, в отличие от изображений, в задаче сопоставления текста не существует универсально ложных признаков (один и тот же токен может быть ложным или причинным в зависимости от текста, с которым он сопоставляется). . Поэтому для обобщения OOD при вводе текста мы выделяем другую цель: избежать высокой важности определенных функций. Мы делаем это с помощью регуляризатора на основе вмешательства, который ограничивает причинно-следственный эффект любого токена на показатель релевантности модели, чтобы он был аналогичен базовой модели. Результаты по продуктам Amazon и наборам данных с рекомендациями по 3 вопросам показывают, что предложенный нами регуляризатор улучшает обобщение как при распределении, так и при оценке OOD, особенно в сложных сценариях, когда базовая модель неточна.
3. Многоцелевые рекомендательные системы: опрос и проблемы
(arXiv)
Автор:Дитмар Яннах
Аннотация: Рекомендательные системы можно охарактеризовать как программные решения, предоставляющие пользователям удобный доступ к релевантному контенту. Традиционно исследования рекомендательных систем в основном сосредоточены на разработке алгоритмов машинного обучения, целью которых является прогнозирование того, какой контент актуален для отдельных пользователей. Однако в реальных приложениях оптимизации точности таких прогнозов релевантности как единственной цели во многих случаях недостаточно. Вместо этого необходимо учитывать несколько и часто конкурирующие цели, что приводит к необходимости дополнительных исследований в области многоцелевых рекомендательных систем. Мы можем различать несколько типов таких конкурирующих целей, включая (i) конкурирующие цели качества рекомендаций на индивидуальном и совокупном уровне, (ii) конкурирующие цели различных вовлеченных заинтересованных сторон, (iii) долгосрочные и краткосрочные цели, ( iv) цели на уровне пользовательского интерфейса и (v) цели на системном уровне. В этой статье мы рассматриваем эти типы настроек многоцелевых рекомендаций и очерчиваем нерешенные проблемы в этой области.
