ترجمه فارسی مقاله مدل انتشار برای توصیه تخته سنگ

چکیده

Slate recommendation is a technique commonly used on streaming platforms and e-commerce sites to present multiple items together. A significant challenge with slate recommendation is managing the complex combinatorial choice space. Traditional methods often simplify this problem by assuming users engage with only one item at a time. However, this simplification does not reflect the reality, as users often interact with multiple items simultaneously. In this paper, we address the general slate recommendation problem, which accounts for simultaneous engagement with multiple items. We propose a generative approach using Diffusion Models, leveraging their ability to learn structures in high-dimensional data. Our model generates high-quality slates that maximize user satisfaction by overcoming the challenges of the combinatorial choice space. Furthermore, our approach enhances the diversity of recommendations. Extensive offline evaluations on applications such as music playlist generation and e-commerce bundle recommendations show that our model outperforms state-of-the-art baselines in both relevance and diversity.

چکیده به فارسی (ترجمه ماشینی)

توصیه Slate تکنیکی است که معمولاً در سیستم عامل های جریان و سایت های تجارت الکترونیکی برای ارائه چندین مورد در کنار هم استفاده می شود.یک چالش مهم با توصیه Slate مدیریت فضای انتخاب پیچیده ترکیبی است.روشهای سنتی اغلب با فرض اینکه کاربران فقط با یک مورد در یک زمان درگیر شوند ، این مشکل را ساده می کنند.با این حال ، این ساده سازی واقعیت را منعکس نمی کند ، زیرا کاربران اغلب با چندین مورد به طور همزمان تعامل دارند.در این مقاله ، ما به مسئله توصیه کلی صفحات ، که تعامل همزمان با چندین مورد را در بر می گیرد ، می پردازیم.ما یک روش تولیدی را با استفاده از مدلهای انتشار پیشنهاد می کنیم و توانایی آنها در یادگیری ساختارها را در داده های با ابعاد بالا اعمال می کنیم.مدل ما صفحات با کیفیت بالا تولید می کند که با غلبه بر چالش های فضای انتخاب ترکیبی ، رضایت کاربر را به حداکثر می رساند.علاوه بر این ، رویکرد ما تنوع توصیه ها را تقویت می کند.ارزیابی های آفلاین گسترده در مورد برنامه های کاربردی مانند تولید لیست پخش موسیقی و توصیه های بسته نرم افزاری تجارت الکترونیکی نشان می دهد که مدل ما از خط مقدماتی پیشرفته در هر دو ارتباط و تنوع بهتر است.