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

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Bridging User Dynamics: Transforming Sequential Recommendations with Schrödinger Bridge and Diffusion Models
عنوان مقاله به فارسی پویایی کاربر پل زدن: تبدیل توصیه های متوالی با پل شرودینگر و مدل های انتشار
نویسندگان Wenjia Xie, Rui Zhou, Hao Wang, Tingjia Shen, Enhong Chen
فرمت مقاله انگلیسی PDF
تعداد صفحات 11
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Information Retrieval,Artificial Intelligence,Machine Learning,بازیابی اطلاعات , هوش مصنوعی , یادگیری ماشین ,
توضیحات Submitted 30 August, 2024; originally announced September 2024. , Comments: CIKM '24
توضیحات به فارسی ارسال شده در 30 اوت 2024 ؛در ابتدا سپتامبر 2024 اعلام شد. ، نظرات: CIKM '24
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

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.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.