Kernkonzepte
BivRec schlägt ein innovatives Framework vor, das die Empfehlungsaufgaben in beiden ID- und multimodalen Ansichten gemeinsam trainiert, um die Empfehlungsleistung bidirektional zu verbessern.
Zusammenfassung
Das Paper stellt das Framework BivRec vor, das Empfehlungsaufgaben in ID- und multimodalen Ansichten gemeinsam trainiert. Es adressiert die Herausforderungen der Informationsheterogenität und zeigt signifikante Leistungsverbesserungen auf verschiedenen Datensätzen. Die Struktur des Papers umfasst eine Einführung, Framework, Multi-Scale Interest Embedding, Intra-View Interest Decomposition, Cross-View Interest Learning, Optimierung und Experimente. Es werden auch CCS-Konzepte und eine Zusammenfassung der Leistungsverbesserungen im Vergleich zu bestehenden Modellen präsentiert.
Einführung
Empfehlungssysteme sind entscheidend für die Bewältigung von Informationsüberlastung.
Multimodale Informationen werden in sequentielle Empfehlungssysteme integriert.
Framework
BivRec trainiert Empfehlungsaufgaben in ID- und multimodalen Ansichten gemeinsam.
Es besteht aus Multi-Scale Interest Embedding, Intra-View Interest Decomposition und Cross-View Interest Learning.
Experimente
BivRec übertrifft bestehende Modelle auf fünf Datensätzen.
BivRec zeigt Robustheit gegenüber Rauschen und Kaltstartproblemen.
BivRec ermöglicht Cross-Dataset-Empfehlungen und verbessert die Leistung im Vergleich zu Baselinemodellen.
Statistiken
BivRec-ID übertrifft PureID in allen Datensätzen.
BivRec-MM übertrifft PureMM außer auf dem Cloth-Datensatz.
Zitate
"BivRec erreicht die beste Leistung auf allen fünf Datensätzen."
"Die strukturierten Interessenrepräsentationen von BivRec zeigen ein bemerkenswertes Maß an Struktur."