論文の概要: Dual-View Disentangled Multi-Intent Learning for Enhanced Collaborative Filtering

• arxiv url: http://arxiv.org/abs/2506.11538v1
• Date: Fri, 13 Jun 2025 07:44:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 17:50:49.696745
• Title: Dual-View Disentangled Multi-Intent Learning for Enhanced Collaborative Filtering
• Title（参考訳）: 協調フィルタリング強化のためのデュアルビューディスタングル型マルチインテント学習
• Authors: Shanfan Zhang, Yongyi Lin, Yuan Rao, Chenlong Zhang,
• Abstract要約: 暗黙のフィードバックからユーザ意図を遠ざけることは、推奨精度と解釈可能性を高めるための有望な戦略となっている。 DMICFは相互作用レベルのインテントアライメントを明示的にモデル化する統合フレームワークである。 DMICFはデュアルビューアーキテクチャを採用しており、両者のインタラクショングラフを共同でエンコードしている。
• 参考スコア（独自算出の注目度）: 7.031525324133112
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Disentangling user intentions from implicit feedback has become a promising strategy to enhance recommendation accuracy and interpretability. Prior methods often model intentions independently and lack explicit supervision, thus failing to capture the joint semantics that drive user-item interactions. To address these limitations, we propose DMICF, a unified framework that explicitly models interaction-level intent alignment while leveraging structural signals from both user and item perspectives. DMICF adopts a dual-view architecture that jointly encodes user-item interaction graphs from both sides, enabling bidirectional information fusion. This design enhances robustness under data sparsity by allowing the structural redundancy of one view to compensate for the limitations of the other. To model fine-grained user-item compatibility, DMICF introduces an intent interaction encoder that performs sub-intent alignment within each view, uncovering shared semantic structures that underlie user decisions. This localized alignment enables adaptive refinement of intent embeddings based on interaction context, thus improving the model's generalization and expressiveness, particularly in long-tail scenarios. Furthermore, DMICF integrates an intent-aware scoring mechanism that aggregates compatibility signals from matched intent pairs across user and item subspaces, enabling personalized prediction grounded in semantic congruence rather than entangled representations. To facilitate semantic disentanglement, we design a discriminative training signal via multi-negative sampling and softmax normalization, which pulls together semantically aligned intent pairs while pushing apart irrelevant or noisy ones. Extensive experiments demonstrate that DMICF consistently delivers robust performance across datasets with diverse interaction distributions.
• Abstract（参考訳）: 暗黙のフィードバックからユーザの意図を遠ざけることは、推奨精度と解釈可能性を高めるための有望な戦略となっている。 従来の手法は、意図を独立してモデル化し、明示的な監督を欠いたため、ユーザとイテムのインタラクションを駆動する共同セマンティクスをキャプチャできないことが多い。 これらの制約に対処するため、ユーザとアイテムの両方の観点からの構造的信号を活用しながら、インタラクションレベルのインテントアライメントを明示的にモデル化する統合フレームワークであるDMICFを提案する。 DMICFはデュアルビューアーキテクチャを採用しており、双方向情報融合を可能にする。 この設計は、一方のビューの構造的冗長性が他方の制限を補うことによって、データ空間の堅牢性を高める。 きめ細かいユーザとイテムの互換性をモデル化するために、DMICFでは、各ビュー内でサブインテントアライメントを実行するインテントインタラクションエンコーダを導入し、ユーザ決定の基盤となる共有セマンティック構造を明らかにする。 この局所的なアライメントは、特にロングテールシナリオにおいて、相互作用コンテキストに基づくインテント埋め込みの適応的な洗練を可能にし、モデルの一般化と表現性を改善する。 さらに、DMICFは、ユーザとアイテムのサブスペース間で一致した意図ペアからの互換性信号を集約する意図認識スコアリング機構を統合し、絡み合った表現ではなく、セマンティック・コングルースに基づくパーソナライズされた予測を可能にする。 意味的絡み合いを容易にするために,無関係あるいはうるさいものを分離しながら,意味的に整合した意図対をまとめて抽出する,多負サンプリングとソフトマックス正規化による識別訓練信号の設計を行う。 大規模な実験により、DMICFは多様な相互作用分布を持つデータセット間で一貫して堅牢なパフォーマンスを提供することが示された。

関連論文リスト

• Semantic-Aligned Learning with Collaborative Refinement for Unsupervised VI-ReID [82.12123628480371]
  教師なしの人物再識別(USL-VI-ReID)は、モデル学習のための人間のアノテーションを使わずに、同じ人物の歩行者像を異なるモードでマッチングすることを目指している。 従来の手法では、ラベルアソシエーションアルゴリズムを用いて異質な画像の擬似ラベルを統一し、グローバルな特徴学習のためのコントラスト学習フレームワークを設計していた。 本稿では,各モダリティによって強調される特定のきめ細かいパターンを対象とするSALCR(Semantic-Aligned Learning with Collaborative Refinement)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-27T13:58:12Z)
• BBQRec: Behavior-Bind Quantization for Multi-Modal Sequential Recommendation [15.818669767036592]
  本稿では,2列列の量子化とセマンティックス・アウェア・シーケンス・モデリングを備えたBBQRec(Behavior-Bind Multi-modal Quantization for Sequential Recommendation)を提案する。 BBQRecは、コントラストのあるコードブック学習を通じて、ノイズの多いモダリティ特有の特徴からモダリティに依存しない行動パターンを分離する。 我々は、量子化された意味関係を用いて自己注意スコアを動的に調整する離散化類似度再重み付け機構を設計する。
  論文  参考訳（メタデータ） (2025-04-09T07:19:48Z)
• Enhancing Graph Contrastive Learning with Reliable and Informative Augmentation for Recommendation [84.45144851024257]
  離散コードによるより強力な協調情報を用いて、コントラスト的なビューを構築することにより、グラフのコントラスト学習を強化することを目的とした、新しいフレームワークを提案する。 中心となる考え方は、ユーザとアイテムを協調情報に富んだ離散コードにマッピングし、信頼性と情報に富んだコントラッシブなビュー生成を可能にすることである。
  論文  参考訳（メタデータ） (2024-09-09T14:04:17Z)
• Object Segmentation by Mining Cross-Modal Semantics [68.88086621181628]
  マルチモーダル特徴の融合と復号を導くために,クロスモーダル・セマンティックスをマイニングする手法を提案する。 具体的には,(1)全周減衰核融合(AF),(2)粗大デコーダ(CFD),(3)多層自己超越からなる新しいネットワークXMSNetを提案する。
  論文  参考訳（メタデータ） (2023-05-17T14:30:11Z)

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。