Incorporating Classifier-Free Guidance in Diffusion Model-Based Recommendation

要約

この論文では、分類子を使用しないガイダンスを組み込んだ拡散ベースの推奨システムについて説明します。
現在のほとんどのレコメンダー システムは、協調フィルタリングやコンテンツ ベースのフィルタリングなどの従来の方法を使用して推奨を提供します。
Diffusion は、変分オートエンコーダ (VAE) や敵対的生成ネットワーク (GAN) などの以前の生成 AI アプローチを改良した、生成 AI への新しいアプローチです。
ユーザーがアイテムを閲覧して評価する際の順序を反映するレコメンダー システムに拡散を組み込んでいます。
現在のいくつかのレコメンダー システムには拡散が組み込まれていますが、拡散モデル全体に​​おける新しい革新である分類子を使用しないガイダンスは組み込まれていません。
この論文では、パフォーマンスを向上させるために基礎となるレコメンダー システム モデルを強化し、分類子を使用しないガイダンスも組み込んだ拡散レコメンダー システムを紹介します。
私たちの調査結果では、さまざまなデータセットに対するいくつかのレコメンデーション タスクのほとんどの指標について、最先端のレコメンダー システムよりも改善されていることが示されています。
特に、私たちのアプローチは、データがまばらな場合に、より適切な推奨事項を提供できる可能性を示しています。

要約(オリジナル)

This paper presents a diffusion-based recommender system that incorporates classifier-free guidance. Most current recommender systems provide recommendations using conventional methods such as collaborative or content-based filtering. Diffusion is a new approach to generative AI that improves on previous generative AI approaches such as Variational Autoencoders (VAEs) and Generative Adversarial Networks (GANs). We incorporate diffusion in a recommender system that mirrors the sequence users take when browsing and rating items. Although a few current recommender systems incorporate diffusion, they do not incorporate classifier-free guidance, a new innovation in diffusion models as a whole. In this paper, we present a diffusion recommender system that augments the underlying recommender system model for improved performance and also incorporates classifier-free guidance. Our findings show improvements over state-of-the-art recommender systems for most metrics for several recommendation tasks on a variety of datasets. In particular, our approach demonstrates the potential to provide better recommendations when data is sparse.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google