ترجمه فارسی مقاله پویایی کاربر پل زدن: تبدیل توصیه های متوالی با پل شرودینگر و مدل های انتشار

چکیده

Sequential recommendation has attracted increasing attention due to its ability to accurately capture the dynamic changes in user interests. We have noticed that generative models, especially diffusion models, which have achieved significant results in fields like image and audio, hold considerable promise in the field of sequential recommendation. However, existing sequential recommendation methods based on diffusion models are constrained by a prior distribution limited to Gaussian distribution, hindering the possibility of introducing user-specific information for each recommendation and leading to information loss. To address these issues, we introduce the Schrödinger Bridge into diffusion-based sequential recommendation models, creating the SdifRec model. This allows us to replace the Gaussian prior of the diffusion model with the user’s current state, directly modeling the process from a user’s current state to the target recommendation. Additionally, to better utilize collaborative information in recommendations, we propose an extended version of SdifRec called con-SdifRec, which utilizes user clustering information as a guiding condition to further enhance the posterior distribution. Finally, extensive experiments on multiple public benchmark datasets have demonstrated the effectiveness of SdifRec and con-SdifRec through comparison with several state-of-the-art methods. Further in-depth analysis has validated their efficiency and robustness.

چکیده به فارسی (ترجمه ماشینی)

توصیه های متوالی به دلیل توانایی آن در گرفتن دقیق تغییرات پویا در منافع کاربر ، توجه فزاینده ای را به خود جلب کرده است.ما متوجه شده ایم که مدل های تولیدی ، به ویژه مدل های انتشار ، که در زمینه هایی مانند تصویر و صوتی به نتایج قابل توجهی رسیده اند ، در زمینه توصیه های پی در پی قول قابل توجهی دارند.با این حال ، روشهای توصیه پی در پی موجود بر اساس مدل های انتشار با توزیع قبلی محدود به توزیع گاوسی محدود می شوند و مانع از معرفی اطلاعات خاص کاربر برای هر توصیه و منجر به از دست دادن اطلاعات می شوند.برای پرداختن به این مسائل ، ما پل Schrödinger را در مدلهای توصیه پی در پی مبتنی بر انتشار معرفی می کنیم و مدل SDIFREC را ایجاد می کنیم.این به ما اجازه می دهد تا پیش از مدل انتشار گاوسی را با وضعیت فعلی کاربر جایگزین کنیم و مستقیماً فرایند را از وضعیت فعلی کاربر به توصیه هدف الگوبرداری کنیم.علاوه بر این ، برای استفاده بهتر از اطلاعات مشترک در توصیه ها ، ما نسخه گسترده ای از SDIFREC به نام Con-Sdifrec را پیشنهاد می کنیم ، که از اطلاعات خوشه بندی کاربر به عنوان یک شرط هدایت برای تقویت بیشتر توزیع خلفی استفاده می کند.سرانجام ، آزمایش های گسترده در مورد مجموعه داده های معیار عمومی چندگانه اثربخشی SDIFREC و CON-SDIFREC را از طریق مقایسه با چندین روش پیشرفته نشان داده است.تجزیه و تحلیل عمیق بیشتر کارآیی و استحکام آنها را تأیید کرده است.