論文の概要: Not Just What, But When: Integrating Irregular Intervals to LLM for Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2507.23209v1
• Date: Thu, 31 Jul 2025 03:05:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-01 17:19:09.015407
• Title: Not Just What, But When: Integrating Irregular Intervals to LLM for Sequential Recommendation
• Title（参考訳）: 不規則区間をLLMに統合してシーケンスレコメンデーション
• Authors: Wei-Wei Du, Takuma Udagawa, Kei Tateno,
• Abstract要約: 購入項目間の時間間隔は、シーケンシャルなレコメンデーションタスクにおいて重要な要素である。 インターバル情報をLLMに統合するフレームワークであるIntervalLLMを提案する。 実験の結果, IntervalLLMは平均4.4%の改善が得られたが, 最高性能の温冷シナリオも達成できた。
• 参考スコア（独自算出の注目度）: 4.929399529593514
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time intervals between purchasing items are a crucial factor in sequential recommendation tasks, whereas existing approaches focus on item sequences and often overlook by assuming the intervals between items are static. However, dynamic intervals serve as a dimension that describes user profiling on not only the history within a user but also different users with the same item history. In this work, we propose IntervalLLM, a novel framework that integrates interval information into LLM and incorporates the novel interval-infused attention to jointly consider information of items and intervals. Furthermore, unlike prior studies that address the cold-start scenario only from the perspectives of users and items, we introduce a new viewpoint: the interval perspective to serve as an additional metric for evaluating recommendation methods on the warm and cold scenarios. Extensive experiments on 3 benchmarks with both traditional- and LLM-based baselines demonstrate that our IntervalLLM achieves not only 4.4% improvements in average but also the best-performing warm and cold scenarios across all users, items, and the proposed interval perspectives. In addition, we observe that the cold scenario from the interval perspective experiences the most significant performance drop among all recommendation methods. This finding underscores the necessity of further research on interval-based cold challenges and our integration of interval information in the realm of sequential recommendation tasks. Our code is available here: https://github.com/sony/ds-research-code/tree/master/recsys25-IntervalLLM.
• Abstract（参考訳）: 購入項目間の時間間隔は、シーケンシャルなレコメンデーションタスクにおいて重要な要素であるが、既存のアプローチではアイテムシーケンスに重点を置いており、アイテム間の間隔が静的であると仮定することでしばしば見落としている。 しかし、ダイナミックインターバルは、ユーザ内の履歴だけでなく、同じアイテム履歴を持つ異なるユーザについてもユーザープロファイリングを記述するディメンションとして機能する。 本研究では,インターバルLLMを提案する。インターバルLLMは,インターバル情報をLCMに統合し,新しいインターバルインフュージョンを取り入れ,アイテムやインターバルに関する情報を共同で検討するフレームワークである。 さらに, 冷間開始シナリオをユーザや項目の観点からのみ扱う先行研究と異なり, 温間・冷間シナリオの推奨手法を評価するための追加指標として, インターバル視点を導入する。 従来型とLLMベースのベースラインを併用した3つのベンチマークによる大規模な実験により、IntervalLLMは平均4.4%の改善だけでなく、すべてのユーザ、アイテム、提案されたインターバルパースペクティブに対して最高のパフォーマンスとコールドシナリオを実現しています。 さらに,すべての推奨手法において,間隔の観点からのコールドシナリオが最も顕著な性能低下を経験していることが観察された。 この発見は、インターバルベースコールドチャレンジのさらなる研究の必要性と、シーケンシャルレコメンデーションタスクの領域におけるインターバル情報の統合を裏付けるものである。 私たちのコードは、https://github.com/sony/ds-research-code/tree/master/recsys25-IntervalLLM.comで利用可能です。

関連論文リスト

• SS4Rec: Continuous-Time Sequential Recommendation with State Space Models [2.736436208785024]
  本稿では,連続的なレコメンデーションのためにSS4Recと呼ばれるハイブリッドSSMモデルを提案する。 SS4Recは、不規則な時間間隔を扱うための時間認識SSMと、コンテキスト依存をモデル化するための関係認識SSMを統合している。 これにより、不規則な時間間隔から継続的依存関係をキャプチャし、時間固有のパーソナライズされたレコメンデーションを提供する。
  論文  参考訳（メタデータ） (2025-02-12T05:28:08Z)
• Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
  クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。 近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。 マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
  論文  参考訳（メタデータ） (2024-11-22T15:29:05Z)
• SA-LSPL:Sequence-Aware Long- and Short- Term Preference Learning for next POI recommendation [19.40796508546581]
  Point of Interest(POI)推奨は、特定のタイミングでユーザに対してPOIを推奨することを目的としている。 提案する手法は,SA-LSPL(Sequence-Aware Long- and Short-Term Preference Learning)である。
  論文  参考訳（メタデータ） (2024-03-30T13:40:25Z)
• Sequential Recommendation on Temporal Proximities with Contrastive Learning and Self-Attention [3.7182810519704095]
  逐次リコメンデータシステムは、過去のインタラクションからユーザの好みを識別し、後続の項目を最適に予測する。 最近のモデルでは、類似の時間枠中に暗黙的に発生するユーザの行動の類似性を無視することが多い。 本稿では,時間的近接性を考慮したコントラスト学習と自己認識手法を含む,TemProxRecという逐次レコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-02-15T08:33:16Z)
• Exogenous Data in Forecasting: FARM -- A New Measure for Relevance Evaluation [62.997667081978825]
  FARM - Forward Relevance Aligned Metricという新しいアプローチを導入する。 我々のフォワード法は、その後のデータポイントの変化を時系列に合わせるために比較する角測度に依存する。 第1の検証ステップとして、FARMアプローチの合成信号・代表信号への適用について述べる。
  論文  参考訳（メタデータ） (2023-04-21T15:22:33Z)
• Dynamic Embeddings for Interaction Prediction [2.5758502140236024]
  推薦システム(RS)では、ユーザが対話する次の項目を予測することが、ユーザの保持に不可欠である。 近年,ユーザとアイテム間の相互相互作用を個別のユーザとアイテムの埋め込みを用いてモデル化する手法の有効性が示されている。 本稿では,DeePRedと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-11-10T16:04:46Z)

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。