核心概念
提案するSiBraRモデルは、重み共有を利用して、相互作用データおよびマルチモーダルサイド情報を同一の単一ブランチ埋め込みネットワークでエンコードする。これにより、寒冷スタートや欠落モダリティシナリオでも効果的な推薦を行うことができる。
摘要
本研究では、寒冷スタートおよび欠落モダリティシナリオでの推薦を目的とした新しいマルチモーダル推薦手法「SiBraR」を提案している。SiBraRは、相互作用データとマルチモーダルサイド情報を同一の単一ブランチ埋め込みネットワークでエンコードする。これにより、モダリティが欠落している場合でも、利用可能なモダリティから有効な埋め込みを得ることができる。
実験では、音楽、映画、eコマースの3つの推薦ドメインのデータセットを用いて、SiBraRの性能を評価した。結果、SiBraRは寒冷スタートシナリオにおいて従来手法を大きく上回る性能を示し、通常シナリオでも競争力のある性能を発揮した。また、欠落モダリティシナリオでも高い精度の推薦が可能であり、異なるモダリティを同一の埋め込み空間にマッピングできることを示した。
统计
寒冷スタートシナリオでは、SiBraRが従来手法を大幅に上回る性能を示した。
通常シナリオでも、SiBraRは競争力のある性能を発揮した。
欠落モダリティシナリオでも、SiBraRは高い精度の推薦が可能であった。
SiBraRは、異なるモダリティを同一の埋め込み空間にマッピングできることを示した。
引用
"SiBraRは、重み共有を利用して、相互作用データおよびマルチモーダルサイド情報を同一の単一ブランチ埋め込みネットワークでエンコードする。"
"SiBraRは、寒冷スタートシナリオにおいて従来手法を大きく上回る性能を示し、通常シナリオでも競争力のある性能を発揮した。"
"SiBraRは、欠落モダリティシナリオでも高い精度の推薦が可能であり、異なるモダリティを同一の埋め込み空間にマッピングできることを示した。"