論文の概要: Hierarchical Graph Information Bottleneck for Multi-Behavior Recommendation
- arxiv url: http://arxiv.org/abs/2507.15395v1
- Date: Mon, 21 Jul 2025 08:53:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-22 20:51:32.32994
- Title: Hierarchical Graph Information Bottleneck 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階層型グラフ情報ボトルネック
- Authors: Hengyu Zhang, Chunxu Shen, Xiangguo Sun, Jie Tan, Yanchao Tan, Yu Rong, Hong Cheng, Lingling Yi,
- Abstract要約: 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モデルに依存しない階層型グラフ情報ボトルネック(HGIB)フレームワークを提案する。
本フレームワークは,目標行動予測に不可欠な情報を保持するコンパクトかつ十分な表現の学習を最適化する。
実世界の3つの公開データセットに関する総合的な実験を行い、フレームワークの有効性を実証した。
- 参考スコア（独自算出の注目度）: 31.495904374599533
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In real-world recommendation scenarios, users typically engage with platforms through multiple types of behavioral interactions. Multi-behavior recommendation algorithms aim to leverage various auxiliary user behaviors to enhance prediction for target behaviors of primary interest (e.g., buy), thereby overcoming performance limitations caused by data sparsity in target behavior records. Current state-of-the-art approaches typically employ hierarchical design following either cascading (e.g., view$\rightarrow$cart$\rightarrow$buy) or parallel (unified$\rightarrow$behavior$\rightarrow$specific components) paradigms, to capture behavioral relationships. However, these methods still face two critical challenges: (1) severe distribution disparities across behaviors, and (2) negative transfer effects caused by noise in auxiliary behaviors. In this paper, we propose a novel model-agnostic Hierarchical Graph Information Bottleneck (HGIB) framework for multi-behavior recommendation to effectively address these challenges. Following information bottleneck principles, our framework optimizes the learning of compact yet sufficient representations that preserve essential information for target behavior prediction while eliminating task-irrelevant redundancies. To further mitigate interaction noise, we introduce a Graph Refinement Encoder (GRE) that dynamically prunes redundant edges through learnable edge dropout mechanisms. We conduct comprehensive experiments on three real-world public datasets, which demonstrate the superior effectiveness of our framework. Beyond these widely used datasets in the academic community, we further expand our evaluation on several real industrial scenarios and conduct an online A/B testing, showing again a significant improvement in multi-behavior recommendations. The source code of our proposed HGIB is available at https://github.com/zhy99426/HGIB.
- Abstract（参考訳）: 現実世界のレコメンデーションシナリオでは、ユーザは通常、複数のタイプの行動的相互作用を通じてプラットフォームに関わります。
マルチビヘイビア・レコメンデーション・アルゴリズムは,プライマリ・リコメンデーションのターゲット行動(例えば購入)の予測を強化するために,様々な補助的ユーザ行動を活用することを目的としている。
現在の最先端のアプローチでは一般的に、振る舞い関係を捉えるために、カスケーディング(例: view$\rightarrow$cart$\rightarrow$buy)または並列(unified$\rightarrow$behavior$\rightarrow$specific component)のパラダイムに従って階層設計を採用する。
しかし,これらの手法は,(1)行動間での過度な分布格差,(2)補助行動における雑音による負の伝達効果の2つの重要な課題に直面している。
本稿では,これらの課題を効果的に解決するためのマルチビヘイビアレコメンデーションのための,モデルに依存しない階層型グラフ情報ボトルネック(HGIB)フレームワークを提案する。
情報ボトルネックの原則に従って,タスク関連冗長性を排除しつつ,目標行動予測に不可欠な情報を保持するコンパクトかつ十分な表現の学習を最適化する。
インタラクションノイズを緩和するために,学習可能なエッジドロップアウト機構を通じて冗長エッジを動的に生成するグラフリファインメントエンコーダ(GRE)を導入する。
実世界の3つの公開データセットに関する総合的な実験を行い、フレームワークの有効性を実証した。
学術コミュニティで広く使われているこれらのデータセット以外にも、いくつかの実際の産業シナリオの評価をさらに拡大し、オンラインのA/Bテストを実施し、マルチビヘイビアレコメンデーションの大幅な改善を示す。
提案したHGIBのソースコードはhttps://github.com/zhy99426/HGIBで公開されている。
関連論文リスト
- Combinatorial Optimization Perspective based Framework for Multi-behavior Recommendation [23.26102452699347]
本稿では,COPF という最適化視点に基づく新しいマルチビヘイビア・レコメンデーション・フレームワークを提案する。
予測ステップでは,複数の専門家の生成と集約において,前向きと後向きの両方の伝搬を改善する。
3つの実世界のデータセットの実験は、COPFの優位性を示している。
論文 参考訳（メタデータ） (2025-02-04T11:19:47Z) - HEC-GCN: Hypergraph Enhanced Cascading Graph Convolution Network for Multi-Behavior Recommendation [41.65320959602054]
マルチビヘイビアレコメンデーション(HEC-GCN)のためのHypergraph Enhanced Cascading Graph Convolution Networkという新しいアプローチを提案する。
まず,行動特化相互作用グラフと対応するハイパーグラフをケースド方式で同時にモデル化することにより,ユーザや各行動項目間の細粒度と粗粒度の相関関係を探索する。
論文 参考訳（メタデータ） (2024-12-19T02:57:02Z) - Long-Sequence Recommendation Models Need Decoupled Embeddings [49.410906935283585]
我々は、既存の長期推薦モデルにおいて無視された欠陥を識別し、特徴付ける。
埋め込みの単一のセットは、注意と表現の両方を学ぶのに苦労し、これら2つのプロセス間の干渉につながります。
本稿では,2つの異なる埋め込みテーブルを別々に学習し,注意と表現を完全に分離する,DARE(Decoupled Attention and Representation Embeddings)モデルを提案する。
論文 参考訳（メタデータ） (2024-10-03T15:45:15Z) - Bidirectional Decoding: Improving Action Chunking via Guided Test-Time Sampling [51.38330727868982]
動作チャンキングが学習者と実証者の間の分岐にどのように影響するかを示す。
動作チャンキングをクローズドループ適応でブリッジするテスト時間推論アルゴリズムである双方向デコーディング(BID)を提案する。
提案手法は、7つのシミュレーションベンチマークと2つの実世界のタスクにまたがって、最先端の2つの生成ポリシーの性能を向上させる。
論文 参考訳（メタデータ） (2024-08-30T15:39:34Z) - Behavior Pattern Mining-based Multi-Behavior Recommendation [22.514959709811446]
行動パターンマイニングに基づくマルチ行動レコメンデーション(BPMR)を紹介する。
BPMRは、ユーザとアイテム間の多様な相互作用パターンを広範囲に調査し、これらのパターンを推奨する機能として利用します。
実世界の3つのデータセットに対する実験的評価は、BPMRが既存の最先端アルゴリズムを大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2024-08-22T06:41:59Z) - Denoising Pre-Training and Customized Prompt Learning for Efficient Multi-Behavior Sequential Recommendation [69.60321475454843]
マルチビヘイビアシークエンシャルレコメンデーションに適した,最初の事前学習および迅速な学習パラダイムであるDPCPLを提案する。
事前学習段階において,複数の時間スケールでノイズを除去する新しい行動マイナ (EBM) を提案する。
次に,提案するCustomized Prompt Learning (CPL)モジュールを用いて,事前学習したモデルを高効率にチューニングすることを提案する。
論文 参考訳（メタデータ） (2024-08-21T06:48:38Z) - Impression-Informed Multi-Behavior Recommender System: A Hierarchical
Graph Attention Approach [4.03161352925235]
textbfHierarchical textbfMulti-behavior textbfGraph Attention textbfNetwork (HMGN)を紹介する。
この先駆的なフレームワークは、注意機構を利用して、行動内および行動内の両方から情報を識別する。
従来のグラフニューラルネットワーク手法に比べて,NDCG@100で最大64%の顕著なパフォーマンス向上を登録する。
論文 参考訳（メタデータ） (2023-09-06T17:09:43Z) - GUESR: A Global Unsupervised Data-Enhancement with Bucket-Cluster
Sampling for Sequential Recommendation [58.6450834556133]
本研究では,グローバルな視点から複雑な関連性を持つ項目表現を強化するために,グラフコントラスト学習を提案する。
本稿では,CapsNetモジュールを拡張したターゲットアテンション機構により,ユーザの動的嗜好を導出する。
提案したGUESRは,大幅な改善を達成できただけでなく,汎用的な拡張戦略ともみなすことができた。
論文 参考訳（メタデータ） (2023-03-01T05:46:36Z) - Coarse-to-Fine Knowledge-Enhanced Multi-Interest Learning Framework for
Multi-Behavior Recommendation [52.89816309759537]
マルチタイプの行動(例えば、クリック、カートの追加、購入など)は、ほとんどの現実世界のレコメンデーションシナリオに広く存在する。
最先端のマルチ振る舞いモデルは、すべての歴史的相互作用を入力として区別しない振る舞い依存を学習する。
本稿では,多様な行動に対する共有的・行動特異的な関心を学習するための,多目的学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-08-03T05:28:14Z) - 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) - 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)
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。