論文の概要: User Invariant Preference Learning for Multi-Behavior Recommendation
- arxiv url: http://arxiv.org/abs/2507.14925v1
- Date: Sun, 20 Jul 2025 11:47:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-22 20:51:32.130553
- Title: User Invariant Preference Learning for Multi-Behavior Recommendation
- Title（参考訳）: マルチビヘイビア・レコメンデーションのためのユーザ不変な選好学習
- Authors: Mingshi Yan, Zhiyong Cheng, Fan Liu, Yingda Lyu, Yahong Han,
- Abstract要約: We propose a user invariant preference learning for multi-behavior recommendation (UIPL)。
UIPLは、マルチビヘイビアインタラクションからユーザの本質的な関心を捉え、ノイズの導入を緩和することを目的としている。
4つの実世界のデータセットの実験では、UIPLが現在の最先端のメソッドを大幅に上回っていることが示されている。
- 参考スコア（独自算出の注目度）: 27.939977213259766
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In multi-behavior recommendation scenarios, analyzing users' diverse behaviors, such as click, purchase, and rating, enables a more comprehensive understanding of their interests, facilitating personalized and accurate recommendations. A fundamental assumption of multi-behavior recommendation methods is the existence of shared user preferences across behaviors, representing users' intrinsic interests. Based on this assumption, existing approaches aim to integrate information from various behaviors to enrich user representations. However, they often overlook the presence of both commonalities and individualities in users' multi-behavior preferences. These individualities reflect distinct aspects of preferences captured by different behaviors, where certain auxiliary behaviors may introduce noise, hindering the prediction of the target behavior. To address this issue, we propose a user invariant preference learning for multi-behavior recommendation (UIPL for short), aiming to capture users' intrinsic interests (referred to as invariant preferences) from multi-behavior interactions to mitigate the introduction of noise. Specifically, UIPL leverages the paradigm of invariant risk minimization to learn invariant preferences. To implement this, we employ a variational autoencoder (VAE) to extract users' invariant preferences, replacing the standard reconstruction loss with an invariant risk minimization constraint. Additionally, we construct distinct environments by combining multi-behavior data to enhance robustness in learning these preferences. Finally, the learned invariant preferences are used to provide recommendations for the target behavior. Extensive experiments on four real-world datasets demonstrate that UIPL significantly outperforms current state-of-the-art methods.
- Abstract（参考訳）: マルチビヘイビアレコメンデーションシナリオでは、クリック、購入、評価などのユーザの多様な振る舞いを分析し、より包括的な関心事理解を可能にし、パーソナライズされた正確なレコメンデーションを促進する。
マルチビヘイビア・レコメンデーションの基本的な前提は、ユーザの本質的な関心を代表して、行動間で共有されたユーザの嗜好の存在である。
この仮定に基づいて,既存手法は,ユーザ表現を充実させるために,様々な行動からの情報を統合することを目的としている。
しかし、ユーザのマルチ行動選好における共通性と個人性の両方の存在をしばしば見落としている。
これらの個人性は、特定の補助行動がノイズを生じさせ、標的行動の予測を妨げる、異なる行動によって捉えられた好みの異なる側面を反映している。
この課題を解決するために,マルチビヘイビア・リコメンデーション(UIPL, 略してUIPL)のためのユーザ不変嗜好学習を提案する。
特に、UIPLは不変リスク最小化のパラダイムを活用して、不変の好みを学習する。
これを実現するために、可変オートエンコーダ(VAE)を用いてユーザの不変な好みを抽出し、標準的な再構成損失を不変なリスク最小化制約に置き換える。
さらに、これらの嗜好を学習する際の堅牢性を高めるために、複数の行動データを組み合わせることで、異なる環境を構築する。
最後に、学習した不変な嗜好は、ターゲットの振る舞いに対する推奨を提供するために使用される。
4つの実世界のデータセットに対する大規模な実験は、UIPLが現在の最先端の手法を大幅に上回っていることを示している。
関連論文リスト
- Uncertain Multi-Objective Recommendation via Orthogonal Meta-Learning Enhanced Bayesian Optimization [30.031396809114625]
本稿では,ルールベースの精度駆動システムから行動認識,不確実な多目的RSに至るまで,RSの自律性を5つの異なるレベルに分類する新しい枠組みを提案する。
個人の好みに基づいて複数の目的を動的に識別し、最適化し、より倫理的でインテリジェントなユーザー中心のレコメンデーションを促進するアプローチを提案する。
論文 参考訳（メタデータ） (2025-02-18T08:10:09Z) - Few-shot Steerable Alignment: Adapting Rewards and LLM Policies with Neural Processes [50.544186914115045]
大きな言語モデル(LLM)は、日々のアプリケーションにますます組み込まれています。
個人ユーザの多様な嗜好との整合性を確保することは、重要な課題となっている。
数発のステアライメントのための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-18T16:14:59Z) - MDAP: A Multi-view Disentangled and Adaptive Preference Learning Framework for Cross-Domain Recommendation [63.27390451208503]
クロスドメインレコメンデーションシステムは、マルチドメインユーザインタラクションを活用してパフォーマンスを向上させる。
マルチビュー・ディスタングル・アダプティブ・プライスラーニング・フレームワークを提案する。
当社のフレームワークはマルチビューエンコーダを使用して,多様なユーザの好みをキャプチャする。
論文 参考訳（メタデータ） (2024-10-08T10:06:45Z) - 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) - Behavior-Contextualized Item Preference Modeling for Multi-Behavior Recommendation [30.715182718492244]
本稿では,マルチビヘイビア・レコメンデーションのためのビヘイビア・コンテクスチュアライズド・アイテム・プライオリティ・モデリング(BCIPM)を提案する。
提案する行動文脈化項目選好ネットワークは,それぞれの行動の中でユーザの特定の項目選好を識別し,学習する。
その後、最終勧告の目的行動に関連する嗜好のみを考慮し、補助行動からノイズを著しく低減する。
論文 参考訳（メタデータ） (2024-04-28T12:46:36Z) - Diverse Preference Augmentation with Multiple Domains for Cold-start
Recommendations [92.47380209981348]
メタラーニングをベースとした多元的ドメインを用いた多元的推論拡張フレームワークを提案する。
我々は、疎結合の場合の過度な適合を扱うために、新しい関心領域において多様な評価を生成する。
これらの評価は、選好メタラーナーを学ぶためのメタトレーニング手順に導入され、優れた一般化能力が得られる。
論文 参考訳（メタデータ） (2022-04-01T10:10:50Z) - Contrastive Meta Learning with Behavior Multiplicity for Recommendation [42.15990960863924]
優れたインフォームドレコメンデーションフレームワークは、ユーザが関心のあるアイテムを識別するだけでなく、さまざまなオンラインプラットフォームの収益にも貢献できる。
本稿では,コントラストメタラーニング(Contrastive Meta Learning, CML)を提案する。
提案手法は,様々な最先端のレコメンデーション手法より一貫して優れている。
論文 参考訳（メタデータ） (2022-02-17T08:51:24Z) - Knowledge-Enhanced Hierarchical Graph Transformer Network for
Multi-Behavior Recommendation [56.12499090935242]
本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。
KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。
KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2021-10-08T09:44:00Z) - Graph Meta Network for Multi-Behavior Recommendation [24.251784947151755]
本稿では,マルチビヘイビアパターンモデリングをメタラーニングパラダイムに組み込むために,グラフメタネットワークを用いたマルチビヘイビアレコメンデーションフレームワークを提案する。
我々の開発したMB-GMNは、型に依存した行動表現を明らかにする能力により、ユーザ-イテム相互作用学習を増強する。
論文 参考訳（メタデータ） (2021-10-08T08:38:27Z) - Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。
本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。
最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
論文 参考訳（メタデータ） (2021-09-07T04:28:09Z) - Probabilistic and Variational Recommendation Denoising [56.879165033014026]
暗黙のフィードバックから学ぶことは、推奨システムの適用において最も一般的なケースの1つである。
本稿では,暗黙のフィードバックに対する確率的・変動的推薦を提案する。
提案したDPIとDVAEを4つの最先端レコメンデーションモデルに適用し、3つのデータセットで実験を行う。
論文 参考訳（メタデータ） (2021-05-20T08:59:44Z)
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。