論文の概要: Test-Time Alignment for Tracking User Interest Shifts in Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2504.01489v1
• Date: Wed, 02 Apr 2025 08:42:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 13:17:48.286036
• Title: Test-Time Alignment for Tracking User Interest Shifts in Sequential Recommendation
• Title（参考訳）: シークエンシャルレコメンデーションにおけるユーザ関心の変化追跡のためのテスト時間アライメント
• Authors: Changshuo Zhang, Xiao Zhang, Teng Shi, Jun Xu, Ji-Rong Wen,
• Abstract要約: シークエンシャルレコメンデーションは、ユーザが対話する可能性のある次の項目を予測することを目的として、現代のレコメンデーションシステムにおいて不可欠である。 現実のシナリオは、しばしば動的で、ユーザの関心事の変化を被る。 最近のテストタイムトレーニングは有望なパラダイムとして現れ、事前トレーニングされたモデルがテストデータに動的に適応できるようにする。 逐次レコメンデーションに適した2つのTest-Time Alignmentモジュールを導入することで,TTTのステートスペースモデルを活用した新しいモデルであるT$2$ARecを提案する。
• 参考スコア（独自算出の注目度）: 47.827361176767944
• License:
• Abstract: Sequential recommendation is essential in modern recommender systems, aiming to predict the next item a user may interact with based on their historical behaviors. However, real-world scenarios are often dynamic and subject to shifts in user interests. Conventional sequential recommendation models are typically trained on static historical data, limiting their ability to adapt to such shifts and resulting in significant performance degradation during testing. Recently, Test-Time Training (TTT) has emerged as a promising paradigm, enabling pre-trained models to dynamically adapt to test data by leveraging unlabeled examples during testing. However, applying TTT to effectively track and address user interest shifts in recommender systems remains an open and challenging problem. Key challenges include how to capture temporal information effectively and explicitly identifying shifts in user interests during the testing phase. To address these issues, we propose T$^2$ARec, a novel model leveraging state space model for TTT by introducing two Test-Time Alignment modules tailored for sequential recommendation, effectively capturing the distribution shifts in user interest patterns over time. Specifically, T$^2$ARec aligns absolute time intervals with model-adaptive learning intervals to capture temporal dynamics and introduce an interest state alignment mechanism to effectively and explicitly identify the user interest shifts with theoretical guarantees. These two alignment modules enable efficient and incremental updates to model parameters in a self-supervised manner during testing, enhancing predictions for online recommendation. Extensive evaluations on three benchmark datasets demonstrate that T$^2$ARec achieves state-of-the-art performance and robustly mitigates the challenges posed by user interest shifts.
• Abstract（参考訳）: シークエンシャルレコメンデーションは、ユーザが過去の行動に基づいて対話できる次の項目を予測することを目的として、現代のレコメンデーションシステムにおいて不可欠である。 しかし、現実のシナリオは、しばしば動的であり、ユーザの関心事の変化にさらされる。 従来のシーケンシャルレコメンデーションモデルは、通常、静的な履歴データに基づいてトレーニングされ、そのようなシフトに適応する能力を制限する。 最近、TTT(Test-Time Training)が有望なパラダイムとして登場し、テスト中にラベルのない例を活用することで、事前トレーニングされたモデルがテストデータに動的に適応できるようにする。 しかしながら、レコメンダシステムにおけるユーザの関心の変化を効果的に追跡し、対処するためにTTTを適用することは、オープンで困難な問題である。 主な課題は、時間的情報を効果的に捉え、テストフェーズにおけるユーザの関心の変化を明確に識別する方法である。 これらの問題に対処するために、T$^2$ARecという、TTTの状態空間モデルを利用した新しいモデルを提案し、逐次的な推奨に適した2つのテスト時間アライメントモジュールを導入し、時間とともにユーザの関心パターンの分散シフトを効果的にキャプチャする。 具体的には、T$^2$ARecは絶対時間間隔をモデル適応学習間隔と整合させ、時間的ダイナミクスを捕捉し、理論的保証でユーザの関心の変化を効果的かつ明示的に識別する関心状態アライメント機構を導入する。 これら2つのアライメントモジュールは、テスト中に自己教師付き方法でモデルパラメータを効率的かつインクリメンタルに更新し、オンラインレコメンデーションの予測を強化する。 3つのベンチマークデータセットの大規模な評価は、T$^2$ARecが最先端のパフォーマンスを達成し、ユーザの関心の変化によって引き起こされる課題を確実に軽減していることを示している。

関連論文リスト

• Future Sight and Tough Fights: Revolutionizing Sequential Recommendation with FENRec [31.264334651290437]
  逐次レコメンデーション(SR)システムは、時間順のインタラクションシーケンスを分析することによって、ユーザの好みを予測する。 SRの一般的な課題は、ユーザーが通常、限られた数のアイテムとのみ対話するため、データスパシティである。 シーケンシャルレコメンデーション(FENRec)におけるコントラスト学習のための継続ネガティクスを用いた今後のデータ活用を提案する。
  論文  参考訳（メタデータ） (2024-12-16T09:20:29Z)
• Modeling the Heterogeneous Duration of User Interest in Time-Dependent Recommendation: A Hidden Semi-Markov Approach [11.392605386729699]
  ユーザの関心事の変化を追跡するために,隠れたセミマルコフモデルを提案する。 このモデルでは、(最近)関心のある状態に留まるユーザの異なる期間をキャプチャすることができる。 パラメータを推定し,ユーザの行動を予測するためのアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2024-12-15T09:17:45Z)
• TTT4Rec: A Test-Time Training Approach for Rapid Adaption in Sequential Recommendation [11.15566809055308]
  テスト時間トレーニング(TTT)は、推論中に自己教師付き学習を使用してモデルパラメータを動的に更新することで、新しいアプローチを提供する。 TTT4Recは,動的ユーザの振る舞いをよりよく捉えるためにTTTを統合したシーケンシャルレコメンデーションフレームワークである。 我々は、TTT4Recを3つの広く使われているレコメンデーションデータセットで評価し、最先端のモデルと同等以上のパフォーマンスを達成できることを実証した。
  論文  参考訳（メタデータ） (2024-09-27T21:14:23Z)
• Dual Test-time Training for Out-of-distribution Recommender System [91.15209066874694]
  DT3ORと呼ばれるOODレコメンデーションのための新しいDual Test-Time-Trainingフレームワークを提案する。 DT3ORでは、テスト期間中にモデル適応機構を導入し、リコメンデーションモデルを慎重に更新する。 我々の知る限りでは、テストタイムトレーニング戦略を通じてOODレコメンデーションに対処する最初の研究である。
  論文  参考訳（メタデータ） (2024-07-22T13:27:51Z)
• On Pitfalls of Test-Time Adaptation [82.8392232222119]
  TTA(Test-Time Adaptation)は、分散シフトの下で堅牢性に取り組むための有望なアプローチとして登場した。 TTABは,10の最先端アルゴリズム,多種多様な分散シフト,および2つの評価プロトコルを含むテスト時間適応ベンチマークである。
  論文  参考訳（メタデータ） (2023-06-06T09:35:29Z)
• A Comprehensive Survey on Test-Time Adaptation under Distribution Shifts [117.72709110877939]
  テスト時間適応(TTA)は、事前訓練されたモデルをテスト中に、予測する前にラベルのないデータに適応する可能性がある。 TTAはテスト時間領域適応、テスト時間バッチ適応、オンラインテスト時間適応といったテストデータの形態に基づいて、いくつかの異なるグループに分類される。
  論文  参考訳（メタデータ） (2023-03-27T16:32:21Z)
• TeST: Test-time Self-Training under Distribution Shift [99.68465267994783]
  Test-Time Self-Training (TeST)は、あるソースデータとテスト時の新しいデータ分散に基づいてトレーニングされたモデルを入力する技術である。 また,TeSTを用いたモデルでは,ベースラインテスト時間適応アルゴリズムよりも大幅に改善されていることがわかった。
  論文  参考訳（メタデータ） (2022-09-23T07:47:33Z)
• WSLRec: Weakly Supervised Learning for Neural Sequential Recommendation Models [24.455665093145818]
  我々は、WSLRecと呼ばれる新しいモデルに依存しないトレーニング手法を提案し、3段階のフレームワーク(事前学習、トップ$k$マイニング、本質的、微調整)を採用する。 WSLRec は、BR や ItemCF のようなモデルフリーメソッドから、余分な弱い監督のモデルを事前訓練することで、不完全性の問題を解決すると同時に、最上位の$k のマイニングを活用して、微調整のための弱い監督の信頼性の高いユーザ・イテム関連を検査することで、不正確な問題を解消する。
  論文  参考訳（メタデータ） (2022-02-28T08:55:12Z)
• 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。