論文の概要: Tricolore: Multi-Behavior User Profiling for Enhanced Candidate Generation in Recommender Systems

• arxiv url: http://arxiv.org/abs/2505.02120v1
• Date: Sun, 04 May 2025 14:04:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.434152
• Title: Tricolore: Multi-Behavior User Profiling for Enhanced Candidate Generation in Recommender Systems
• Title（参考訳）: Tricolore: Recommenderシステムにおける候補生成のためのマルチビヘイビアユーザプロファイリング
• Authors: Xiao Zhou, Zhongxiang Zhao, Hanze Guo,
• Abstract要約: オンラインプラットフォームは、多様な行動にまたがる広範なユーザーフィードバックを集約する。 従来のレコメンデータシステムは、通常、1つのターゲットの振る舞いを最適化し、1つのベクトルでユーザーの好みを表現する。 本稿では,多目的多ベクトル学習フレームワークであるTricoloreについて紹介する。
• 参考スコア（独自算出の注目度）: 12.92428955505934
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Online platforms aggregate extensive user feedback across diverse behaviors, providing a rich source for enhancing user engagement. Traditional recommender systems, however, typically optimize for a single target behavior and represent user preferences with a single vector, limiting their ability to handle multiple important behaviors or optimization objectives. This conventional approach also struggles to capture the full spectrum of user interests, resulting in a narrow item pool during candidate generation. To address these limitations, we present Tricolore, a versatile multi-vector learning framework that uncovers connections between different behavior types for more robust candidate generation. Tricolore's adaptive multi-task structure is also customizable to specific platform needs. To manage the variability in sparsity across behavior types, we incorporate a behavior-wise multi-view fusion module that dynamically enhances learning. Moreover, a popularity-balanced strategy ensures the recommendation list balances accuracy with item popularity, fostering diversity and improving overall performance. Extensive experiments on public datasets demonstrate Tricolore's effectiveness across various recommendation scenarios, from short video platforms to e-commerce. By leveraging a shared base embedding strategy, Tricolore also significantly improves the performance for cold-start users. The source code is publicly available at: https://github.com/abnering/Tricolore.
• Abstract（参考訳）: オンラインプラットフォームは、さまざまな行動にまたがる広範なユーザフィードバックを集約し、ユーザエンゲージメントを高めるための豊富なソースを提供する。 しかし、従来のレコメンデータシステムは、通常、単一のターゲットの振る舞いを最適化し、単一のベクタでユーザの好みを表現し、複数の重要な振る舞いや最適化目標を扱う能力を制限する。 従来の手法では、ユーザの興味をフルに捉えるのにも苦労しており、候補生成時にアイテムプールが狭くなる。 これらの制約に対処するために、より堅牢な候補生成のために、様々な行動タイプ間の接続を明らかにする多目的多ベクトル学習フレームワークであるTricoloreを提案する。 Tricoloreの適応型マルチタスク構造は、特定のプラットフォームのニーズに合わせてカスタマイズ可能である。 動作タイプ間の分散性の変動を管理するために,動的に学習を増強する動作ワイドなマルチビュー融合モジュールを組み込んだ。 さらに、人気バランス戦略により、推薦リストはアイテムの人気と精度のバランスを保ち、多様性を育み、全体的なパフォーマンスを向上させる。 公開データセットに関する大規模な実験は、ショートビデオプラットフォームからeコマースまで、さまざまなレコメンデーションシナリオでTricoloreの有効性を実証している。 共有ベース埋め込み戦略を活用することで、Tricoloreはコールドスタートユーザのパフォーマンスも大幅に向上する。 ソースコードは、https://github.com/abnering/Tricolore.comで公開されている。

関連論文リスト

• Knowledge Enhancement for Multi-Behavior Contrastive Recommendation [39.50243004656453]
  本稿では,KMCLR(Knowledge Enhancement Multi-Behavior Contrastive Learning Recommendation)フレームワークを提案する。 本研究では,ユーザのパーソナライズされた行動情報を抽出し,ユーザ埋め込み強化のためのマルチ行動学習モジュールを設計する。 最適化段階では、粗粒度共通性とユーザの複数行動間の微粒度差をモデル化し、推奨効果をさらに改善する。
  論文  参考訳（メタデータ） (2023-01-13T06:24:33Z)
• Multi-Behavior Sequential Recommendation with Temporal Graph Transformer [66.10169268762014]
  マルチビヘイビア・インタラクティブなパターンを意識した動的ユーザ・イテム関係学習に取り組む。 本稿では,動的短期および長期のユーザ・イテム対話パターンを共同でキャプチャする,TGT(Temporal Graph Transformer)レコメンデーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-06T15:42:54Z)
• Multi-view Multi-behavior Contrastive Learning in Recommendation [52.42597422620091]
  マルチビヘイビアレコメンデーション(MBR)は、目標行動のパフォーマンスを改善するために、複数の振る舞いを共同で検討することを目的としている。 本稿では,新しいマルチビヘイビア・マルチビュー・コントラスト学習勧告フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-20T15:13:28Z)
• Contrastive Meta Learning with Behavior Multiplicity for Recommendation [42.15990960863924]
  優れたインフォームドレコメンデーションフレームワークは、ユーザが関心のあるアイテムを識別するだけでなく、さまざまなオンラインプラットフォームの収益にも貢献できる。 本稿では,コントラストメタラーニング(Contrastive Meta Learning, CML)を提案する。 提案手法は,様々な最先端のレコメンデーション手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-02-17T08:51:24Z)
• Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
  本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-08T09:44:00Z)
• Graph Meta Network for Multi-Behavior Recommendation [24.251784947151755]
  本稿では,マルチビヘイビアパターンモデリングをメタラーニングパラダイムに組み込むために,グラフメタネットワークを用いたマルチビヘイビアレコメンデーションフレームワークを提案する。 我々の開発したMB-GMNは、型に依存した行動表現を明らかにする能力により、ユーザ-イテム相互作用学習を増強する。
  論文  参考訳（メタデータ） (2021-10-08T08:38:27Z)
• Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
  マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。 本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。 最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
  論文  参考訳（メタデータ） (2021-09-07T04:28:09Z)
• Multi-Interactive Attention Network for Fine-grained Feature Learning in CTR Prediction [48.267995749975476]
  クリックスルー率(ctr)予測シナリオでは、ユーザのシーケンシャルな動作を利用してユーザの関心を捉える。 既存の手法は主にユーザの行動に注意を払っているが、CTR予測には必ずしも適していない。 マルチインタラクティブ・アテンション・ネットワーク (MIAN) を提案し, 各種微細な特徴間の潜在関係を総合的に抽出する。
  論文  参考訳（メタデータ） (2020-12-13T05:46:19Z)
• PinnerSage: Multi-Modal User Embedding Framework for Recommendations at Pinterest [54.56236567783225]
  PinnerSageはエンド・ツー・エンドのレコメンデーションシステムで、マルチモーダル・埋め込みを通じて各ユーザーを表現する。 オフラインおよびオンラインA/B実験を複数実施し,本手法が単一埋め込み法より有意に優れていることを示す。
  論文  参考訳（メタデータ） (2020-07-07T17:13:20Z)

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。