論文の概要: Hierarchical Intent-guided Optimization with Pluggable LLM-Driven Semantics for Session-based Recommendation

• arxiv url: http://arxiv.org/abs/2507.04623v1
• Date: Mon, 07 Jul 2025 02:50:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.260039
• Title: Hierarchical Intent-guided Optimization with Pluggable LLM-Driven Semantics for Session-based Recommendation
• Title（参考訳）: LLM-Driven Semantics を用いた階層型インテント誘導最適化によるセッションベースレコメンデーション
• Authors: Jinpeng Chen, Jianxiang He, Huan Li, Senzhang Wang, Yuan Cao, Kaimin Wei, Zhenye Yang, Ye Ji,
• Abstract要約: セッションベースのレコメンデーション(SBR)は、匿名セッション内でのインタラクションシーケンスを使用して、ユーザが関与する可能性のある次の項目を予測することを目的としている。 既存のSBRモデルは、セッション間の関係を無視し、価値あるクロスセッションの洞察を無視して、シングルセッションの情報のみに焦点を当てることが多い。 HIPHOPと呼ばれるセッションベースレコメンデーションのためのプラグイン型LLM型セマンティックラーニングを用いた階層型インテント誘導最適化手法を提案する。
• 参考スコア（独自算出の注目度）: 22.653549796453426
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Session-based Recommendation (SBR) aims to predict the next item a user will likely engage with, using their interaction sequence within an anonymous session. Existing SBR models often focus only on single-session information, ignoring inter-session relationships and valuable cross-session insights. Some methods try to include inter-session data but struggle with noise and irrelevant information, reducing performance. Additionally, most models rely on item ID co-occurrence and overlook rich semantic details, limiting their ability to capture fine-grained item features. To address these challenges, we propose a novel hierarchical intent-guided optimization approach with pluggable LLM-driven semantic learning for session-based recommendations, called HIPHOP. First, we introduce a pluggable embedding module based on large language models (LLMs) to generate high-quality semantic representations, enhancing item embeddings. Second, HIPHOP utilizes graph neural networks (GNNs) to model item transition relationships and incorporates a dynamic multi-intent capturing module to address users' diverse interests within a session. Additionally, we design a hierarchical inter-session similarity learning module, guided by user intent, to capture global and local session relationships, effectively exploring users' long-term and short-term interests. To mitigate noise, an intent-guided denoising strategy is applied during inter-session learning. Finally, we enhance the model's discriminative capability by using contrastive learning to optimize session representations. Experiments on multiple datasets show that HIPHOP significantly outperforms existing methods, demonstrating its effectiveness in improving recommendation quality. Our code is available: https://github.com/hjx159/HIPHOP.
• Abstract（参考訳）: セッションベースのレコメンデーション(SBR)は、匿名セッション内でのインタラクションシーケンスを使用して、ユーザが関与する可能性のある次の項目を予測することを目的としている。 既存のSBRモデルは、セッション間の関係を無視し、価値あるクロスセッションの洞察を無視して、シングルセッションの情報のみに焦点を当てることが多い。 セッション間データを含めようとする手法もあるが、ノイズや無関係な情報に悩まされ、性能が低下する。 さらに、ほとんどのモデルはアイテムIDの共起に依存し、リッチなセマンティックな詳細を見落とし、きめ細かいアイテムの特徴をキャプチャする能力を制限する。 これらの課題に対処するために、HIPHOPと呼ばれるセッションベースレコメンデーションのためのLLM駆動型セマンティックラーニングを用いた新しい階層的意図誘導最適化手法を提案する。 まず,大型言語モデル(LLM)に基づくプラグイン可能な埋め込みモジュールを導入し,高品質なセマンティック表現を生成し,アイテムの埋め込みを強化した。 第2に、HIPHOPはグラフニューラルネットワーク(GNN)を使用してアイテム遷移関係をモデル化し、セッション内のユーザのさまざまな関心に対処するための動的マルチインテントキャプチャモジュールを組み込む。 さらに,ユーザ意図に導かれる階層的なセッション間類似学習モジュールを設計し,グローバルおよびローカルなセッション関係を捉え,ユーザの長期的および短期的関心を効果的に探求する。 ノイズを緩和するためには、セッション間学習中に意図誘導型デノナイジング戦略を適用する。 最後に,コントラスト学習を用いてセッション表現を最適化することにより,モデルの識別能力を向上する。 複数のデータセットで実験したところ、HIPHOPは既存の手法を著しく上回り、推奨品質を改善する効果を示した。 私たちのコードは、https://github.com/hjx159/HIPHOP.comで利用可能です。

関連論文リスト

• Enhancing User Intent for Recommendation Systems via Large Language Models [0.0]
  DUIPはLSTMネットワークとLLM(Large Language Models)を組み合わせた新しいフレームワークで、ユーザの意図を動的に把握し、パーソナライズされたアイテムレコメンデーションを生成する。 この結果から,DUIPは次世代レコメンデーションシステムにとって有望なアプローチであり,クロスモーダルレコメンデーションとスケーラビリティのさらなる向上の可能性が示唆された。
  論文  参考訳（メタデータ） (2025-01-18T20:35:03Z)
• Multi-Graph Co-Training for Capturing User Intent in Session-based Recommendation [3.105656247358225]
  セッションベースのレコメンデーションは、匿名ユーザセッションのシーケンスに基づいて、ユーザが次に対話するアイテムを予測することに焦点を当てる。 既存の手法のほとんどは、利用可能な豊富な補助情報を見渡すことで、ユーザの現在のインタラクションに大きく依存している。 我々は,現在のセッショングラフだけでなく,類似セッショングラフやグローバルアイテム関係グラフも活用する,新しいモデルであるMulti-Graph Co-Training Model (MGCOT)を提案する。
  論文  参考訳（メタデータ） (2024-12-15T08:08:07Z)
• 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)
• Multi-view Intent Learning and Alignment with Large Language Models for Session-based Recommendation [26.58882747016846]
  セッションベースのレコメンデーション(SBR)メソッドは、しばしばユーザーの行動データに依存する。 複数の視点から意味的および行動的信号を統合したLLM強化SBRフレームワークを提案する。 第1段階では、複数のビュープロンプトを使用して、セッションセマンティックレベルで潜伏したユーザ意図を推測し、意図的位置決めモジュールによってサポートされ、幻覚を緩和する。 第2段階では、これらのセマンティック推論を行動表現と整合させ、大きなモデルと小さなモデルの両方からの洞察を効果的に融合させる。
  論文  参考訳（メタデータ） (2024-02-21T14:38:02Z)
• Intent Contrastive Learning for Sequential Recommendation [86.54439927038968]
  ユーザの意図を表現するために潜伏変数を導入し,クラスタリングにより潜伏変数の分布関数を学習する。 我々は,学習意図を対照的なSSLによってSRモデルに活用し,シーケンスのビューとそれに対応するインテントとの一致を最大化することを提案する。 4つの実世界のデータセットで実施された実験は、提案した学習パラダイムの優位性を示している。
  論文  参考訳（メタデータ） (2022-02-05T09:24:13Z)
• Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation [62.30552176649873]
  シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。 両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。 モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:44:27Z)
• Improved Representation Learning for Session-based Recommendation [0.0]
  セッションベースのレコメンデーションシステムは、短期匿名セッションを用いてユーザの行動や嗜好をモデル化することで、ユーザに対して関連項目を提案する。 既存の方法はグラフニューラルネットワーク(GNN)を利用して、近隣のノードから情報を伝達し集約する。 我々は、よりリッチな表現学習を可能にする目標注意型GNNと組み合わせてトランスフォーマーを提案する。
  論文  参考訳（メタデータ） (2021-07-04T00:57:28Z)
• TAGNN: Target Attentive Graph Neural Networks for Session-based Recommendation [66.04457457299218]
  セッションベースレコメンデーションのための新しいターゲット注意グラフニューラルネットワーク(TAGNN)モデルを提案する。 TAGNNでは、ターゲット・アウェア・アテンションは、様々なターゲット項目に関して異なるユーザ関心を適応的に活性化する。 学習した関心表現ベクトルは、異なる対象項目によって変化し、モデルの表現性を大幅に改善する。
  論文  参考訳（メタデータ） (2020-05-06T14:17:05Z)

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。