Key points are not available for this paper at this time.
L'apprentissage de modèles pré-entraînés à grande échelle sur des données variées puis le transfert vers une large gamme de tâches cibles est devenu le paradigme de facto dans de nombreuses communautés d'apprentissage automatique (AA). De tels grands modèles ne sont pas seulement performants en pratique, mais offrent également un moyen prometteur de sortir des restrictions de modélisation spécifiques aux tâches, permettant ainsi des systèmes d'AA agnostiques aux tâches et unifiés. Cependant, ce paradigme populaire est principalement inexploré par la communauté des systèmes de recommandation (SR). Un problème critique est que les modèles de recommandation standard sont principalement basés sur des caractéristiques d'identité catégorielles. C'est-à-dire que les utilisateurs et les éléments interactifs sont représentés par leurs identifiants uniques, qui ne sont généralement pas partageables entre différents systèmes ou plateformes. Pour poursuivre les recommandations transférables, nous proposons d'étudier des modèles de SR pré-entraînés dans un scénario nouveau où le retour d'interaction d'un utilisateur implique des éléments mixtes de modalités (MoM), par exemple, du texte et des images. Nous présentons ensuite TransRec, une modification très simple apportée au cadre SR populaire basé sur l'identifiant. TransRec apprend directement à partir des caractéristiques brutes des éléments MoM dans un mode d'entraînement de bout en bout et permet ainsi un apprentissage transférable efficace dans divers scénarios sans s'appuyer sur des utilisateurs ou des éléments chevauchants. Nous étudions empiriquement la capacité de transfert de TransRec à travers quatre réglages de recommandation réels différents. De plus, nous examinons ses effets en faisant varier la taille des données sources et cibles. Nos résultats suggèrent que l'apprentissage de modèles de recommandation neuronale à partir de retours MoM offre un moyen prometteur de réaliser des SR universels.
Wang et al. (Mon,) ont étudié cette question.