EasyRec: Simple yet Effective Language Models for Recommendation

要約

ディープ ニューラル ネットワークは、レコメンダー システムの協調フィルタリング (CF) においてユーザーとアイテムのインタラクション データから表現を学習するための強力な手法となっています。
ただし、既存の手法の多くは一意のユーザー ID とアイテム ID に大きく依存しているため、十分なトレーニング データが利用できない可能性がある実際のゼロショット学習シナリオでうまく機能する能力が制限されています。
言語モデル (LM) の成功とその強力な一般化機能に触発されて、重要な疑問が生じます。言語モデルの可能性をどのように活用して、レコメンダー システムを強化し、その一般化機能を新たな高みに引き上げることができるでしょうか。
この研究では、テキストベースの意味理解と協調的な信号をシームレスに統合する、効果的で使いやすいアプローチである EasyRec を提案します。
EasyRec は、対照的な学習と協調的な言語モデルの調整を組み合わせたテキスト動作調整フレームワークを採用し、テキストで強化された意味空間と協調的な動作情報の間の強力な調整を保証します。
現実世界の多様なデータセットにわたる広範な実証評価により、特に困難なテキストベースのゼロショット推奨シナリオにおいて、最先端の代替モデルと比較して EasyRec のパフォーマンスが優れていることが実証されています。
さらに、この調査では、EasyRec をプラグアンドプレイ コンポーネントとしてテキスト強化協調フィルタリング フレームワークにシームレスに統合する可能性が強調されており、それによって既存のレコメンダー システムが推奨パフォーマンスを向上させ、動的環境で進化するユーザーの好みに適応できるようになります。
EasyRec フレームワークの結果の再現性を高めるために、モデル実装の詳細、ソース コード、およびデータセットはリンク https://github.com/HKUDS/EasyRec から入手できます。

要約(オリジナル)

Deep neural networks have become a powerful technique for learning representations from user-item interaction data in collaborative filtering (CF) for recommender systems. However, many existing methods heavily rely on unique user and item IDs, which limits their ability to perform well in practical zero-shot learning scenarios where sufficient training data may be unavailable. Inspired by the success of language models (LMs) and their strong generalization capabilities, a crucial question arises: How can we harness the potential of language models to empower recommender systems and elevate its generalization capabilities to new heights? In this study, we propose EasyRec – an effective and easy-to-use approach that seamlessly integrates text-based semantic understanding with collaborative signals. EasyRec employs a text-behavior alignment framework, which combines contrastive learning with collaborative language model tuning, to ensure a strong alignment between the text-enhanced semantic space and the collaborative behavior information. Extensive empirical evaluations across diverse real-world datasets demonstrate the superior performance of EasyRec compared to state-of-the-art alternative models, particularly in the challenging text-based zero-shot recommendation scenarios. Furthermore, the study highlights the potential of seamlessly integrating EasyRec as a plug-and-play component into text-enhanced collaborative filtering frameworks, thereby empowering existing recommender systems to elevate their recommendation performance and adapt to the evolving user preferences in dynamic environments. For better result reproducibility of our EasyRec framework, the model implementation details, source code, and datasets are available at the link: https://github.com/HKUDS/EasyRec.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google