論文の概要: Learnable Sequence Augmenter for Triplet Contrastive Learning in Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2503.20232v1
• Date: Wed, 26 Mar 2025 04:56:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-27 13:19:24.178819
• Title: Learnable Sequence Augmenter for Triplet Contrastive Learning in Sequential Recommendation
• Title（参考訳）: シークエンスレコメンデーションにおけるトリプルトコントラスト学習のための学習可能なシーケンスオーグメンタ
• Authors: Wei Wang, Yujie Lin, Jianli Zhao, Moyan Zhang, Pengjie Ren, Xianye Ben, Yujun Li,
• Abstract要約: シーケンシャルレコメンデーション(LACLRec)における三重項コントラスト学習のための学習可能なシーケンスオーグメンタ シーケンシャルレコメンデーション(LACLRec)におけるトリプルトコントラスト学習のための学習可能なシーケンスオーグメンタを提案する。
• 参考スコア（独自算出の注目度）: 21.748796333731672
• License:
• Abstract: Most existing contrastive learning-based sequential recommendation (SR) methods rely on random operations (e.g., crop, reorder, and substitute) to generate augmented sequences. These methods often struggle to create positive sample pairs that closely resemble the representations of the raw sequences, potentially disrupting item correlations by deleting key items or introducing noisy iterac, which misguides the contrastive learning process. To address this limitation, we propose Learnable sequence Augmentor for triplet Contrastive Learning in sequential Recommendation (LACLRec). Specifically, the self-supervised learning-based augmenter can automatically delete noisy items from sequences and insert new items that better capture item transition patterns, generating a higher-quality augmented sequence. Subsequently, we randomly generate another augmented sequence and design a ranking-based triplet contrastive loss to differentiate the similarities between the raw sequence, the augmented sequence from augmenter, and the randomly augmented sequence, providing more fine-grained contrastive signals. Extensive experiments on three real-world datasets demonstrate that both the sequence augmenter and the triplet contrast contribute to improving recommendation accuracy. LACLRec significantly outperforms the baseline model CL4SRec, and demonstrates superior performance compared to several state-of-the-art sequential recommendation algorithms.
• Abstract（参考訳）: 既存のコントラスト学習に基づくシーケンシャルレコメンデーション(SR)手法は、拡張シーケンスを生成するためにランダムな操作(例えば、作物、再注文、置換)に依存している。 これらの手法は、しばしば、生の配列の表現によく似た正のサンプルペアを作成するのに苦労し、キー項目の削除や、対照的な学習過程を誤解するノイズの多いイテラックの導入によってアイテムの相関を乱す可能性がある。 この制限に対処するために、シーケンシャルレコメンデーション(LACLRec)における三重項コントラスト学習のためのLearnerable sequence Augmentorを提案する。 具体的には、自己教師型学習ベースの拡張器は、シーケンスからノイズのあるアイテムを自動的に削除し、アイテム遷移パターンをよりよくキャプチャする新しいアイテムを挿入し、高品質な拡張シーケンスを生成する。 その後、別の拡張シーケンスをランダムに生成し、ランキングベースの3重項コントラスト損失を設計し、生のシーケンスと増分器からの増分シーケンスとランダムな増分シーケンスの類似性を区別し、よりきめ細かなコントラスト信号を提供する。 3つの実世界のデータセットに対する大規模な実験は、シーケンスオーグメンタとトリプルトコントラストの両方がレコメンデーション精度の向上に寄与することを示した。 LACLRecはベースラインモデルCL4SRecを大幅に上回り、最先端のシーケンシャルレコメンデーションアルゴリズムよりも優れた性能を示している。

関連論文リスト

• UniRec: A Dual Enhancement of Uniformity and Frequency in Sequential Recommendations [13.654819858917332]
  新たな双方向拡張シーケンシャルレコメンデーション手法であるUniRecを提案する。 UniRecは、一様でないシーケンスと少ない頻度のアイテムの表現を改善している。 我々の知る限り、UniRecは特徴増強のための均一性と周波数の特性を利用する最初の方法である。
  論文  参考訳（メタデータ） (2024-06-26T16:28:24Z)
• Diffusion-based Contrastive Learning for Sequential Recommendation [6.3482831836623355]
  本稿では,CaDiRecという,文脈対応拡散に基づく逐次推薦のためのコントラスト学習を提案する。 CaDiRecは、コンテキスト対応拡散モデルを使用して、シーケンス内の所定の位置に対する代替アイテムを生成する。 フレームワーク全体をエンドツーエンドでトレーニングし、拡散モデルとレコメンデーションモデルの間でアイテムの埋め込みを共有します。
  論文  参考訳（メタデータ） (2024-05-15T14:20:37Z)
• Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
  GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。 本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-22T15:32:59Z)
• GUESR: A Global Unsupervised Data-Enhancement with Bucket-Cluster Sampling for Sequential Recommendation [58.6450834556133]
  本研究では,グローバルな視点から複雑な関連性を持つ項目表現を強化するために,グラフコントラスト学習を提案する。 本稿では,CapsNetモジュールを拡張したターゲットアテンション機構により,ユーザの動的嗜好を導出する。 提案したGUESRは,大幅な改善を達成できただけでなく,汎用的な拡張戦略ともみなすことができた。
  論文  参考訳（メタデータ） (2023-03-01T05:46:36Z)
• ContrastVAE: Contrastive Variational AutoEncoder for Sequential Recommendation [58.02630582309427]
  本稿では,コントラスト学習を変分オートエンコーダの枠組みに組み込むことを提案する。 ContrastELBOは,従来のシングルビューELBOを2ビューケースに拡張した,新しいトレーニング目標である。 また、コントラストELBOの具体化として、コントラスト正規化を備えた2分岐VAEモデルであるContrastVAEを提案する。
  論文  参考訳（メタデータ） (2022-08-27T03:35:00Z)
• Enhancing Sequential Recommendation with Graph Contrastive Learning [64.05023449355036]
  本稿では、逐次推薦のためのグラフコントラスト学習(GCL4SR)という、新しいシーケンシャルレコメンデーションフレームワークを提案する。 GCL4SRは、すべてのユーザのインタラクションシーケンスに基づいて構築された重み付きアイテム遷移グラフ(WITG)を使用して、各インタラクションのグローバルなコンテキスト情報を提供し、シーケンスデータのノイズ情報を弱める。 実世界のデータセットの実験では、GCL4SRは最先端のシーケンシャルレコメンデーションメソッドよりも一貫して優れていることが示されている。
  論文  参考訳（メタデータ） (2022-05-30T03:53:31Z)
• Learnable Model Augmentation Self-Supervised Learning for Sequential Recommendation [36.81597777126902]
  シーケンシャルレコメンデーションのための学習可能なモデル拡張型自己教師型学習(LMA4Rec)を提案する。 LMA4Recはまず、ビューを生成するためにデータ拡張の補足方法としてモデル拡張を利用する。 次に、コントラストビュー間で自己教師付き学習を使用して、オリジナルのシーケンスから自己教師付き信号を抽出する。
  論文  参考訳（メタデータ） (2022-04-21T14:30:56Z)
• Improving Contrastive Learning with Model Augmentation [123.05700988581806]
  このシーケンシャルレコメンデーションは,ユーザ行動における次の項目を予測することを目的としている。 シーケンスにおけるデータの分散性やノイズの問題から,新たな自己教師付き学習(SSL)パラダイムが提案され,性能が向上した。
  論文  参考訳（メタデータ） (2022-03-25T06:12:58Z)
• Contrastive Self-supervised Sequential Recommendation with Robust Augmentation [101.25762166231904]
  Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。 データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。 逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
  論文  参考訳（メタデータ） (2021-08-14T07:15:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。