論文の概要: Multi-Interest Recommendation: A Survey

• arxiv url: http://arxiv.org/abs/2506.15284v1
• Date: Wed, 18 Jun 2025 09:05:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 19:35:51.609547
• Title: Multi-Interest Recommendation: A Survey
• Title（参考訳）: マルチゲストレコメンデーション:サーベイ
• Authors: Zihao Li, Qiang Chen, Lixin Zou, Aixin Sun, Chenliang Li,
• Abstract要約: 多目的レコメンデーションは、ユーザの過去のインタラクションから複数の関心表現を抽出するという課題に対処する。 推薦研究に広く関心を寄せている。 我々は,多目的レコメンデーションの進展,解決,課題,今後の方向性を体系的に検討する。
• 参考スコア（独自算出の注目度）: 67.28277752101006
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing recommendation methods often struggle to model users' multifaceted preferences due to the diversity and volatility of user behavior, as well as the inherent uncertainty and ambiguity of item attributes in practical scenarios. Multi-interest recommendation addresses this challenge by extracting multiple interest representations from users' historical interactions, enabling fine-grained preference modeling and more accurate recommendations. It has drawn broad interest in recommendation research. However, current recommendation surveys have either specialized in frontier recommendation methods or delved into specific tasks and downstream applications. In this work, we systematically review the progress, solutions, challenges, and future directions of multi-interest recommendation by answering the following three questions: (1) Why is multi-interest modeling significantly important for recommendation? (2) What aspects are focused on by multi-interest modeling in recommendation? and (3) How can multi-interest modeling be applied, along with the technical details of the representative modules? We hope that this survey establishes a fundamental framework and delivers a preliminary overview for researchers interested in this field and committed to further exploration. The implementation of multi-interest recommendation summarized in this survey is maintained at https://github.com/WHUIR/Multi-Interest-Recommendation-A-Survey.
• Abstract（参考訳）: 既存のレコメンデーション手法は、ユーザ行動の多様性とボラティリティ、および実際のシナリオにおけるアイテム属性の固有の不確実性とあいまいさによって、ユーザの多面的嗜好をモデル化するのに苦労することが多い。 多目的レコメンデーションは、ユーザの過去のインタラクションから複数の関心表現を抽出し、きめ細かい好みのモデリングとより正確なレコメンデーションを可能にすることで、この問題に対処する。 推薦研究に広く関心を寄せている。 しかし、現在のレコメンデーションサーベイは、フロンティアレコメンデーションメソッドに特化しているか、特定のタスクや下流アプリケーションに精通している。 本研究は,(1)多目的モデリングがレコメンデーションにとって極めて重要である理由について,次の3つの疑問に答えることで,多目的レコメンデーションの進展,解決,課題,今後の方向性を体系的に検討するものである。 2) 推薦における多目的モデリングはどのような側面に焦点をあてているか。 および(3) 代表モジュールの技術的な詳細とともに、マルチ関心モデリングをどのように適用できるのか? 我々は,本調査が基本的な枠組みを確立し,この分野に関心のある研究者に予備的な概要を提供し,さらなる探究を約束することを期待している。 本調査で要約した多目的レコメンデーションの実装は、https://github.com/WHUIR/Multi-Interest-Recommendation-A-Surveyで維持されている。

関連論文リスト

• Joint Modeling in Recommendations: A Survey [46.000357352884926]
  共同モデリングアプローチは、さまざまなタスク、シナリオ、モダリティ、振る舞いをレコメンデーションプロセスに統合することによって、制限を克服する上で中心となる。 我々は,マルチタスク,マルチシナリオ,マルチモーダル,マルチビヘイビア・モデリングという,4つの異なる次元のジョイント・モデリングのスコープを定義する。 本研究は,提案する共同モデルにおける今後の研究の道のりについて紹介し,その結果を簡潔にまとめる。
  論文  参考訳（メタデータ） (2025-02-28T16:14:00Z)
• Relevance meets Diversity: A User-Centric Framework for Knowledge Exploration through Recommendations [15.143224593682012]
  本稿では,コプラ関数による妥当性と多様性を組み合わせた新しいレコメンデーション戦略を提案する。 我々は,システムと対話しながらユーザから得た知識量のサロゲートとして多様性を利用する。 我々の戦略は、最先端のライバル数社を上回っている。
  論文  参考訳（メタデータ） (2024-08-07T13:48:24Z)
• Contrastive Learning Method for Sequential Recommendation based on Multi-Intention Disentanglement [5.734747179463411]
  MIDCL(Multi-Intention Disentanglement)に基づくコントラスト学習シーケンシャルレコメンデーション手法を提案する。 私たちの仕事では、意図は動的で多様なものとして認識され、ユーザの振る舞いは、しばしば現在のマルチインテンションによって駆動されます。 本稿では,最も関連性の高いユーザの対話的意図の探索と,正のサンプル対の相互情報の最大化のための2種類のコントラスト学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2024-04-28T15:13:36Z)
• BiVRec: Bidirectional View-based Multimodal Sequential Recommendation [55.87443627659778]
  我々は,IDとマルチモーダルの両方で推薦タスクを共同で訓練する,革新的なフレームワークであるBivRecを提案する。 BivRecは5つのデータセットで最先端のパフォーマンスを達成し、様々な実用的な利点を示している。
  論文  参考訳（メタデータ） (2024-02-27T09:10:41Z)
• Multimodal Recommendation Dialog with Subjective Preference: A New Challenge and Benchmark [38.613625892808706]
  本稿では,SURE (Multimodal Recommendation Dialog with SUbjective Preference)を提案する。 データは、品質と多様性を保証するために、人間のアノテーションで2つのフェーズで構築されます。 SUREは、営業専門家が提案する主観的嗜好と推奨行為によく言及されている。
  論文  参考訳（メタデータ） (2023-05-26T08:43:46Z)
• A Survey on User Behavior Modeling in Recommender Systems [36.797169604235954]
  ユーザ・ビヘイビア・モデリング(UBM)は、リコメンデータ・システムで広く使われている、ユーザ関心の学習において重要な役割を担っている。 既存のUBM研究の系統分類を4つの方向に分類することができる。 既存の UBM ソリューションの適用価値に関する洞察を提供することを目標として,UBM 手法の産業的実践について詳しく述べる。
  論文  参考訳（メタデータ） (2023-02-22T01:34:51Z)
• Simultaneous Relevance and Diversity: A New Recommendation Inference Approach [81.44167398308979]
  本稿では,新しいCF推論手法である負対陽性を導入することにより,一般協調フィルタリング(CF)を拡張した新しい手法を提案する。 我々のアプローチは、様々な高度なレベルでの幅広い推奨シナリオ/ユースケースに適用できる。 公開データセットと実世界の生産データに関する分析と実験により、我々のアプローチは、関連性および多様性に関する既存の手法を同時に上回ることを示した。
  論文  参考訳（メタデータ） (2020-09-27T22:20:12Z)
• Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
  逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。 当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
  論文  参考訳（メタデータ） (2020-05-21T12:28:59Z)

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。