論文の概要: Next-User Retrieval: Enhancing Cold-Start Recommendations via Generative Next-User Modeling

• arxiv url: http://arxiv.org/abs/2506.15267v1
• Date: Wed, 18 Jun 2025 08:42:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 19:35:51.601737
• Title: Next-User Retrieval: Enhancing Cold-Start Recommendations via Generative Next-User Modeling
• Title（参考訳）: Next-User Retrieval:生成したNext-User Modelingによるコールドスタート勧告の強化
• Authors: Yu-Ting Lan, Yang Huo, Yi Shen, Xiao Yang, Zuotao Liu,
• Abstract要約: Lookalikeアルゴリズムは、ルックalikeユーザに基づいた新しいアイテムに対するフィードバックを拡張することで、有望なソリューションを提供する。 本稿では,次世代ユーザモデリングによるコールドスタート推薦を向上するための新しいフレームワークであるNext-User Retrievalを提案する。 本手法は,Douyinの日次アクティブユーザー数が0.0142%,+0.1144%増加し,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）: 3.847929624516339
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The item cold-start problem is critical for online recommendation systems, as the success of this phase determines whether high-quality new items can transition to popular ones, receive essential feedback to inspire creators, and thus lead to the long-term retention of creators. However, modern recommendation systems still struggle to address item cold-start challenges due to the heavy reliance on item and historical interactions, which are non-trivial for cold-start items lacking sufficient exposure and feedback. Lookalike algorithms provide a promising solution by extending feedback for new items based on lookalike users. Traditional lookalike algorithms face such limitations: (1) failing to effectively model the lookalike users and further improve recommendations with the existing rule- or model-based methods; and (2) struggling to utilize the interaction signals and incorporate diverse features in modern recommendation systems. Inspired by lookalike algorithms, we propose Next-User Retrieval, a novel framework for enhancing cold-start recommendations via generative next-user modeling. Specifically, we employ a transformer-based model to capture the unidirectional relationships among recently interacted users and utilize these sequences to generate the next potential user who is most likely to interact with the item. The additional item features are also integrated as prefix prompt embeddings to assist the next-user generation. The effectiveness of Next-User Retrieval is evaluated through both offline experiments and online A/B tests. Our method achieves significant improvements with increases of 0.0142% in daily active users and +0.1144% in publications in Douyin, showcasing its practical applicability and scalability.
• Abstract（参考訳）: オンラインレコメンデーションシステムでは、高品質な新品が人気商品に移行し、クリエイターを刺激する本質的なフィードバックを受けられるかどうかを判断し、クリエーターの長期的な維持につながるため、アイテムのコールドスタート問題は重要となる。 しかし、現代の推薦システムは、十分な露出とフィードバックが欠如している冷間開始項目にとって自明なアイテムであり、アイテムや歴史的相互作用に大きく依存しているため、アイテムコールトスタートの課題に対処するのに苦慮している。 Lookalikeアルゴリズムは、ルックalikeユーザに基づいた新しいアイテムに対するフィードバックを拡張することで、有望なソリューションを提供する。 従来のルックアライクなアルゴリズムは,(1) ルックアライクなユーザを効果的にモデル化できず,さらに既存のルールやモデルベースの手法でレコメンデーションを改善することができず,(2) インタラクション信号の活用に苦慮し,現代のレコメンデーションシステムに多様な特徴を取り入れている。 そこで本研究では,Next-User Retrieval(Next-User Retrieval)を提案する。 具体的には、最近対話したユーザ間の一方向関係をキャプチャするトランスフォーマーベースのモデルを用いて、これらのシーケンスを使用して、アイテムと対話する可能性が最も高い、次の潜在的ユーザを生成する。 追加のアイテム機能は、プレフィックスプロンプト埋め込みとして統合され、次世代のユーザ生成を支援する。 Next-User Retrievalの有効性は、オフライン実験とオンラインA/Bテストの両方を通じて評価される。 本手法は,日々のアクティブユーザで0.0142%,Douyinで+0.1144%の増加を達成し,実用性と拡張性を示した。

関連論文リスト

• 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)
• Bake Two Cakes with One Oven: RL for Defusing Popularity Bias and Cold-start in Third-Party Library Recommendations [5.874782446136913]
  サードパーティ製ライブラリ(TPL)は現代のソフトウェア開発において不可欠な部分となり、開発者の生産性を高め、市場投入までの時間を短縮している。 通常、コラボレーティブ・フィルタリング(CF)に依存しており、レコメンデーションを行う際に2次元のプロジェクト・ライブラリ・マトリックス(一般的にはユーザ・イテム)を利用する。 本稿では,TPLレコメンデーションにおける人気バイアスとコールドスタート問題に対処するための強化学習(RL)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2025-04-18T16:17:20Z)
• Prompt Tuning for Item Cold-start Recommendation [21.073232866618554]
  コールドスタートフェーズの成功は、アイテムが人気のあるものに移行できるかどうかを決定するため、オンラインレコメンデーションシステムにとって、アイテムコールドスタート問題は不可欠である。 自然言語処理(NLP)においてゼロまたは少数ショット問題に対処するために使用される強力なテクニックであるPrompt Learningは、同様の課題に対処するための推奨システムに適応している。 本稿では,この2つの問題を同時に解決するために,高価値な正のフィードバック(ピンナクルフィードバック)をプロンプト情報として活用することを提案する。
  論文  参考訳（メタデータ） (2024-12-24T01:38:19Z)
• Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
  逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。 しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。 したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
  論文  参考訳（メタデータ） (2022-11-17T19:00:24Z)
• Sparsity Regularization For Cold-Start Recommendation [7.848143873095096]
  ユーザ人口統計とユーザ嗜好を組み合わせることで,ユーザベクタのための新しい表現を導入する。 我々は,スパースユーザ・購入行動を利用したコールド・スタート・レコメンデーションのための新しいスパース・逆モデルSRLGANを開発した。 SRLGANを2つの一般的なデータセットで評価し、最先端の結果を示す。
  論文  参考訳（メタデータ） (2022-01-26T02:28:08Z)
• Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
  コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。 メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。 MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
  論文  参考訳（メタデータ） (2021-10-18T08:11:24Z)
• Seamlessly Unifying Attributes and Items: Conversational Recommendation for Cold-Start Users [111.28351584726092]
  コールドスタートユーザに対しては,属性を問うと同時に,ユーザに対して対話的に商品を推薦する,対話型レコメンデーションを提案する。 会話型トンプソンサンプリング(ConTS)モデルでは,最大報酬の腕を選択することで,対話型レコメンデーションにおけるすべての質問を一意に解決する。
  論文  参考訳（メタデータ） (2020-05-23T08:56:37Z)
• Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
  我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。 我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。 私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
  論文  参考訳（メタデータ） (2020-05-19T10:18:43Z)

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。