論文の概要: Interest Changes: Considering User Interest Life Cycle in Recommendation System
- arxiv url: http://arxiv.org/abs/2505.08471v1
- Date: Tue, 13 May 2025 11:53:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-14 20:57:54.545035
- Title: Interest Changes: Considering User Interest Life Cycle in Recommendation System
- Title（参考訳）: 関心の変化:リコメンデーションシステムにおけるユーザ関心のライフサイクルを考える
- Authors: Yinjiang Cai, Jiangpan Hou, Yangping Zhu, Yuan Nie,
- Abstract要約: 本稿では,Deep Interest Life-cycle Network (DILN) という手法を提案する。
DILNは、興味あるライフサイクル機能を効率的にキャプチャするが、既存のランキングモデルと簡単に統合できる。
オンラインA/Bテストによると、DILNはCTRで+0.38%、CVRで+1.04%、ユーザ当たり+0.25%の大幅な改善を実現している。
- 参考スコア（独自算出の注目度）: 0.2999888908665658
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recommendation systems, user interests are always in a state of constant flux. Typically, a user interest experiences a emergent phase, a stable phase, and a declining phase, which are referred to as the "user interest life-cycle". Recent papers on user interest modeling have primarily focused on how to compute the correlation between the target item and user's historical behaviors, without thoroughly considering the life-cycle features of user interest. In this paper, we propose an effective method called Deep Interest Life-cycle Network (DILN), which not only captures the interest life-cycle features efficiently, but can also be easily integrated to existing ranking models. DILN contains two key components: Interest Life-cycle Encoder Module constructs historical activity histograms of the user interest and then encodes them into dense representation. Interest Life-cycle Fusion Module injects the encoded dense representation into multiple expert networks, with the aim of enabling the specific phase of interest life-cycle to activate distinct experts. Online A/B testing reveals that DILN achieves significant improvements of +0.38% in CTR, +1.04% in CVR and +0.25% in duration per user, which demonstrates its effectiveness. In addition, DILN inherently increase the exposure of users' emergent and stable interests while decreasing the exposure of declining interests. DILN has been deployed on the Lofter App.
- Abstract（参考訳）: レコメンデーションシステムでは、ユーザの関心は常に一定のフラックス状態にある。
一般的に、利用者の関心は「利用者の関心ライフサイクル」と呼ばれる創発的なフェーズ、安定したフェーズ、減少フェーズを経験する。
近年のユーザ関心モデリングでは,ユーザ関心のライフサイクル的特徴を十分に考慮することなく,対象項目とユーザの過去の行動の相関を計算する方法に重点を置いている。
本稿では,Deep Interest Life-cycle Network (DILN) という手法を提案する。
興味深いライフサイクルエンコーダモジュール(英語版)は、ユーザの興味の歴史的アクティビティヒストグラムを構築し、それらを密度の高い表現にエンコードする。
興味深いライフサイクル・フュージョン・モジュール(英語版)は、興味あるライフサイクルの特定のフェーズが異なる専門家を活性化させることを目的として、符号化された密度の表現を複数の専門家ネットワークに注入する。
オンラインA/Bテストでは、DILNはCTRで+0.38%、CVRで+1.04%、ユーザ当たり+0.25%の大幅な改善を実現しており、その効果が示されている。
さらに、DILNは、ユーザーの創発的かつ安定した関心の露出を本質的に増加させながら、減少する関心の露出を減少させる。
DILNはLofter Appにデプロイされている。
関連論文リスト
- Synergizing Implicit and Explicit User Interests: A Multi-Embedding Retrieval Framework at Pinterest [9.904093205817247]
検索ステージは、候補項目のハイリコールセットを生成する上で重要な役割を果たす。
従来の2-towerモデルは、ユーザとイテムの機能相互作用が限られているため、この点において苦労する。
ユーザの興味を表現できる新しいマルチ埋め込み検索フレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-29T02:14:21Z) - Hierarchical Tree Search-based User Lifelong Behavior Modeling on Large Language Model [20.79990807882704]
階層木探索に基づくユーザ寿命行動モデリングフレームワーク(HiT-LBM)を提案する。
HiT-LBMは、Chunked User Behavior extract (CUBE)とHierarchical Tree Search for Interest (HTS)を統合して、ユーザの多様な関心と関心の進化を捉える。
我々はまた、複数の行動チャンクから利益を統合するために、時間-水間関心融合(TIF)を設計し、ユーザー生涯の関心の包括的表現を構築した。
論文 参考訳（メタデータ） (2025-05-26T04:32:57Z) - Multi-agents based User Values Mining for Recommendation [52.26100802380767]
効率的なユーザ値抽出のためのゼロショットマルチLLM協調フレームワークを提案する。
本研究は,本質的な意味を保ちながら,項目内容のコンデンスにテキスト要約手法を適用した。
幻覚を緩和するために,評価役と監督役の2つの特殊エージェントの役割を導入する。
論文 参考訳（メタデータ） (2025-05-02T04:01:31Z) - Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。
近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。
マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
論文 参考訳（メタデータ） (2024-11-22T15:29:05Z) - LLM-based Bi-level Multi-interest Learning Framework for Sequential Recommendation [54.396000434574454]
本稿では,暗黙的行動と明示的意味論的視点を組み合わせた新しい多目的SRフレームワークを提案する。
Implicit Behavioral Interest ModuleとExplicit Semantic Interest Moduleの2つのモジュールが含まれている。
4つの実世界のデータセットの実験は、フレームワークの有効性と実用性を検証する。
論文 参考訳（メタデータ） (2024-11-14T13:00:23Z) - Retrieval Augmentation via User Interest Clustering [57.63883506013693]
インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。
本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。
当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
論文 参考訳（メタデータ） (2024-08-07T16:35:10Z) - Deep Evolutional Instant Interest Network for CTR Prediction in Trigger-Induced Recommendation [28.29435760797856]
本稿では,TIRシナリオにおけるクリックスルーレート予測のための新しい手法であるDeep Evolutional Instant Interest Network (DEI2N)を提案する。
我々は,ユーザがスクロールダウンした場合の瞬間的関心の強度の動的変化を予測するために,ユーザインスタント・関心モデリング・レイヤを設計する。
オフラインおよび実世界の産業データセットを用いて,本手法の評価を行った。
論文 参考訳（メタデータ） (2024-01-15T15:27:24Z) - IDNP: Interest Dynamics Modeling using Generative Neural Processes for
Sequential Recommendation [40.4445022666304]
我々は,機能的視点からユーザ興味をモデル化するために,生成型 textbfNeural textbfProcesses を用いた textbfInterest textbfDynamics モデリングフレームワークを提案する。
本モデルでは,各種評価指標の最先端性に優れる。
論文 参考訳（メタデータ） (2022-08-09T08:33:32Z) - Learning Self-Modulating Attention in Continuous Time Space with
Applications to Sequential Recommendation [102.24108167002252]
本稿では,複雑で非線形に進化する動的ユーザの嗜好をモデル化する,自己変調型注意ネットワークを提案する。
提案手法がトップNシーケンシャルなレコメンデーションタスクに与える影響を実証的に示すとともに,3つの大規模実世界のデータセットによる結果から,我々のモデルが最先端のパフォーマンスを達成できることを示す。
論文 参考訳（メタデータ） (2022-03-30T03:54:11Z) - Sequential Search with Off-Policy Reinforcement Learning [48.88165680363482]
本稿では,RNN学習フレームワークとアテンションモデルからなる,スケーラブルなハイブリッド学習モデルを提案する。
新たな最適化のステップとして、1つのRNNパスに複数の短いユーザシーケンスをトレーニングバッチ内に収める。
また、マルチセッションパーソナライズされた検索ランキングにおける非政治強化学習の利用についても検討する。
論文 参考訳（メタデータ） (2022-02-01T06:52:40Z) - Dynamic Memory based Attention Network for Sequential Recommendation [79.5901228623551]
DMAN(Dynamic Memory-based Attention Network)と呼ばれる新しい連続的推薦モデルを提案する。
長い動作シーケンス全体を一連のサブシーケンスに分割し、モデルをトレーニングし、ユーザの長期的な利益を維持するためにメモリブロックのセットを維持する。
動的メモリに基づいて、ユーザの短期的および長期的関心を明示的に抽出し、組み合わせて効率的な共同推薦を行うことができる。
論文 参考訳（メタデータ） (2021-02-18T11:08:54Z)
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。