TimeMM: Raccomandazione Multimodale Dinamica tramite Filtraggio Spettrale
Un nuovo framework chiamato TimeMM affronta la sfida dell'evoluzione delle preferenze degli utenti nei sistemi di raccomandazione multimodale. A differenza dei modelli statici, TimeMM tratta il tempo come un operatore, utilizzando kernel temporali parametrici per ripesare gli archi del grafo utente-articolo in base alla recentezza dell'interazione. Ciò consente un adattamento fine alle dinamiche non stazionarie in cui gli indizi visivi e testuali dominano a velocità diverse. L'approccio supera i limiti dei grafi statici e delle euristiche temporali grossolane, offrendo una modellazione continua delle preferenze.
Fatti principali
- TimeMM è un framework di filtraggio spettrale condizionato al tempo per la raccomandazione multimodale dinamica.
- Mappa la recentezza dell'interazione a kernel temporali parametrici che ripesano gli archi del grafo utente-articolo.
- Il framework affronta dinamiche non stazionarie in cui diversi fattori di preferenza cambiano a velocità diverse.
- Gli indizi visivi e testuali possono dominare le decisioni in diversi regimi temporali.
- La maggior parte dei raccomandatori multimodali si basa su grafi di interazione statici o euristiche temporali grossolane.
- TimeMM implementa Time-as-Operator per la modellazione continua dell'evoluzione delle preferenze.
- L'articolo è disponibile su arXiv con ID 2604.26247.
- L'approccio mira a migliorare la modellazione degli utenti integrando segnali collaborativi con contenuti eterogenei degli articoli.
Entità
Istituzioni
- arXiv