論文の概要: ConsRec: Denoising Sequential Recommendation through User-Consistent Preference Modeling

• arxiv url: http://arxiv.org/abs/2505.22130v1
• Date: Wed, 28 May 2025 08:55:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.516119
• Title: ConsRec: Denoising Sequential Recommendation through User-Consistent Preference Modeling
• Title（参考訳）: ConsRec: ユーザ一貫性推論モデリングによるシーケンスレコメンデーションの通知
• Authors: Haidong Xin, Qiushi Xiong, Zhenghao Liu, Sen Mei, Yukun Yan, Shi Yu, Shuo Wang, Yu Gu, Ge Yu, Chenyan Xiong,
• Abstract要約: ユーザ一貫性を持つ参照型シーケンスレコメンデーションシステム(ConsRec)を提案する。 ConsRecは安定したユーザの好みをキャプチャし、インタラクション履歴からノイズの多いアイテムをフィルタリングする。 その結果、ConsRecはベースラインレコメンデーションモデルよりも13%改善されている。
• 参考スコア（独自算出の注目度）: 33.281526528724335
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: User-item interaction histories are pivotal for sequential recommendation systems but often include noise, such as unintended clicks or actions that fail to reflect genuine user preferences. To address this issue, we propose the User-Consistent Preference-based Sequential Recommendation System (ConsRec), designed to capture stable user preferences and filter noisy items from interaction histories. Specifically, ConsRec constructs a user-interacted item graph, learns item similarities from their text representations, and then extracts the maximum connected subgraph from the user-interacted item graph for denoising items. Experimental results on the Yelp and Amazon Product datasets illustrate that ConsRec achieves a 13% improvement over baseline recommendation models, showing its effectiveness in denoising user-interacted items. Further analysis reveals that the denoised interaction histories form semantically tighter clusters of user-preferred items, leading to higher relevance scores for ground-truth targets and more accurate recommendations. All codes are available at https://github.com/NEUIR/ConsRec.
• Abstract（参考訳）: ユーザとイテムのインタラクション履歴は、シーケンシャルなレコメンデーションシステムにとって重要なものだが、意図しないクリックや本物のユーザの好みを反映しないアクションのようなノイズを含むことが多い。 この問題に対処するため,ユーザ嗜好を安定的に把握し,インタラクション履歴からノイズの多い項目をフィルタリングする,ユーザ一貫性推論に基づくシーケンシャルレコメンデーションシステム(ConsRec)を提案する。 具体的には、ConsRecは、ユーザインタラクションアイテムグラフを構築し、テキスト表現からアイテム類似性を学習し、ユーザインタラクションアイテムグラフから最大連結サブグラフを抽出して、アイテムを識別する。 YelpとAmazon Productデータセットの実験結果は、ConsRecがベースラインレコメンデーションモデルよりも13%改善したことを示している。 さらに分析した結果, 識別された相互作用履歴は, 利用者が優先する項目の集合を意味的に密に形成し, 地上目標の関連度を高め, より正確なレコメンデーションを導出することがわかった。 すべてのコードはhttps://github.com/NEUIR/ConsRecで入手できる。

関連論文リスト

• 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)
• Search-Based Interaction For Conversation Recommendation via Generative Reward Model Based Simulated User [117.82681846559909]
  会話レコメンデーションシステム(CRS)は、マルチターンインタラクションを使用してユーザの好みを捉え、パーソナライズされたレコメンデーションを提供する。 本稿では,CRSと自動インタラクションを行うための生成報酬モデルに基づくシミュレーションユーザGRSUを提案する。
  論文  参考訳（メタデータ） (2025-04-29T06:37:30Z)
• Empowering Retrieval-based Conversational Recommendation with Contrasting User Preferences [12.249992789091415]
  我々は、Contrasting user pReference expAnsion and Learning (CORAL)と呼ばれる対話型推薦モデルを提案する。 コーラルは、ユーザの隠れた好みを、コントラストの好み拡張によって抽出する。 対照的な選好を明確に区別し、選好認識学習を通じてレコメンデーションプロセスに活用する。
  論文  参考訳（メタデータ） (2025-03-27T21:45:49Z)
• Beyond Positive History: Re-ranking with List-level Hybrid Feedback [49.52149227298746]
  リストレベルのハイブリッドフィードバック (dubed RELIFE) を用いた再ランク付けを提案する。 ユーザの好みや行動パターンを3つのモジュールでキャプチャする。 実験により、RELIFEはSOTAの再ランクベースラインを著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2024-10-28T06:39:01Z)
• EDGE-Rec: Efficient and Data-Guided Edge Diffusion For Recommender Systems Graphs [0.0]
  本稿では,ユーザとアイテムの機能だけでなく,リアルタイムなインタラクションの重み付けを生かした新しいアテンション機構を提案する。 我々は,ユーザ・イテム相互作用グラフの重み付き相互作用行列を反復的に復調するために,新しいグラフ拡散変換器GDiTアーキテクチャを訓練する。 テキスト条件付き画像生成の最近の進歩に触発されて,本手法は,従来の評価と同一スケールのユーザ・イテム評価を直接生成する。
  論文  参考訳（メタデータ） (2024-09-23T03:23:20Z)
• Topology-aware Debiased Self-supervised Graph Learning for Recommendation [6.893289671937124]
  本稿では,TDGL(Topology-aware De Self-supervised Graph Learning)を提案する。 TDSGLはユーザ間の意味的類似性(items)に応じてコントラッシブなペアを構成する その結果,提案モデルが3つの公開データセット上で,最先端モデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2023-10-24T14:16:19Z)
• Graph Collaborative Signals Denoising and Augmentation for Recommendation [75.25320844036574]
  ユーザ・ユーザ・項目間の相関を組み込んだグラフ隣接行列を提案する。 ユーザ・ユーザ・イテム相関と項目・イテム相関が組み合わさることで,豊富なインタラクションと不十分なインタラクションを持つユーザのレコメンデーションが向上することを示す。
  論文  参考訳（メタデータ） (2023-04-06T19:43:37Z)
• Modeling Dynamic User Preference via Dictionary Learning for Sequential Recommendation [133.8758914874593]
  ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。 浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。 本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
  論文  参考訳（メタデータ） (2022-04-02T03:23:46Z)

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。