論文の概要: A hierarchy tree data structure for behavior-based user segment representation

• arxiv url: http://arxiv.org/abs/2508.01115v1
• Date: Fri, 01 Aug 2025 23:33:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:21.718444
• Title: A hierarchy tree data structure for behavior-based user segment representation
• Title（参考訳）: 行動に基づくユーザセグメント表現のための階層木データ構造
• Authors: Yang Liu, Xuejiao Kang, Sathya Iyer, Idris Malik, Ruixuan Li, Juan Wang, Xinchen Lu, Xiangxue Zhao, Dayong Wang, Menghan Liu, Isaac Liu, Feng Liang, Yinzhe Yu,
• Abstract要約: 振舞いに基づくユーザコホート(BUS)は、様々なユーザのカテゴリ属性でユーザ宇宙を階層的に分割する新しいツリーベースのデータ構造である。 より偏りを増し、公平性を向上させるために、ユーザの接続ベースのBUSセグメントを導出するためにソーシャルグラフを使用する。 我々のオフライン分析は、BUSベースの検索が従来のユーザーベースの集計よりも格段に優れていることを示している。
• 参考スコア（独自算出の注目度）: 11.802591639180466
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: User attributes are essential in multiple stages of modern recommendation systems and are particularly important for mitigating the cold-start problem and improving the experience of new or infrequent users. We propose Behavior-based User Segmentation (BUS), a novel tree-based data structure that hierarchically segments the user universe with various users' categorical attributes based on the users' product-specific engagement behaviors. During the BUS tree construction, we use Normalized Discounted Cumulative Gain (NDCG) as the objective function to maximize the behavioral representativeness of marginal users relative to active users in the same segment. The constructed BUS tree undergoes further processing and aggregation across the leaf nodes and internal nodes, allowing the generation of popular social content and behavioral patterns for each node in the tree. To further mitigate bias and improve fairness, we use the social graph to derive the user's connection-based BUS segments, enabling the combination of behavioral patterns extracted from both the user's own segment and connection-based segments as the connection aware BUS-based recommendation. Our offline analysis shows that the BUS-based retrieval significantly outperforms traditional user cohort-based aggregation on ranking quality. We have successfully deployed our data structure and machine learning algorithm and tested it with various production traffic serving billions of users daily, achieving statistically significant improvements in the online product metrics, including music ranking and email notifications. To the best of our knowledge, our study represents the first list-wise learning-to-rank framework for tree-based recommendation that effectively integrates diverse user categorical attributes while preserving real-world semantic interpretability at a large industrial scale.
• Abstract（参考訳）: ユーザ属性は、現代のレコメンデーションシステムの複数の段階において不可欠であり、特にコールドスタート問題を緩和し、新規あるいは稀なユーザのエクスペリエンスを改善するために重要である。 本研究では,行動に基づくユーザセグメンテーション(BUS: Behavior-based User Segmentation)を提案する。 BUSツリー構築においては,NDCGを目的関数として使用し,同一セグメント内のアクティブユーザに対する限界ユーザの行動代表性を最大化する。 構築されたBUSツリーは、葉ノードと内部ノードをまたいでさらに処理と集約を行い、木の各ノードの一般的なソーシャルコンテンツと行動パターンの生成を可能にする。 バイアスを緩和し、公平性を向上させるために、ユーザ自身のセグメントから抽出した行動パターンと接続ベースのセグメントを結合意識BUSベースのレコメンデーションとして組み合わせて、ユーザの接続ベースのBUSセグメントを導出するソーシャルグラフを使用する。 私たちのオフライン分析では、BUSベースの検索は、ランキング品質において従来のコホートベースの集計よりも大幅に優れています。 私たちは、データ構造と機械学習アルゴリズムをうまくデプロイし、毎日何十億ものユーザーに提供するさまざまなプロダクショントラフィックでそれをテストし、音楽ランキングやEメール通知など、オンライン製品メトリクスの統計的に重要な改善を実現しました。 我々の知識を最大限に活用するために,本研究では,大規模で実世界の意味論的解釈性を保ちながら,多様なユーザカテゴリ属性を効果的に統合する,ツリーベースレコメンデーションのための最初のリストワイドラーニング・ツー・ランクフレームワークについて述べる。

関連論文リスト

• Learning Time Slot Preferences via Mobility Tree for Next POI Recommendation [18.374589526048446]
  Next Point-of-Interests(POI)レコメンデーションタスクは、ユーザの現在のチェックイントラジェクトリに基づいて、POIの動的ランキングを提供することを目的としている。 我々は,ユーザのチェックイン記録を階層的に記述するために,モビリティツリーと呼ばれる革新的なデータ構造を導入する。 そこで我々は,モビリティツリーに基づく好み学習のためのマルチタスクフレームワークであるモビリティツリーネットワーク(MTNet)を提案する。
  論文  参考訳（メタデータ） (2024-03-17T08:43:12Z)
• Enhancing User Intent Capture in Session-Based Recommendation with Attribute Patterns [77.19390850643944]
  周波数属性パターン拡張変換器(FAPAT)を提案する。 FAPATは属性遷移グラフと一致する属性パターンを構築することで、ユーザの意図を特徴づける。 FAPATは、様々な評価指標に対して平均4.5%の最先端手法を一貫して上回っていることを実証する。
  論文  参考訳（メタデータ） (2023-12-23T03:28:18Z)
• Ranking-based Group Identification via Factorized Attention on Social Tripartite Graph [68.08590487960475]
  グループ識別のための文脈的要因認識(CFAG)という,GNNに基づく新しいフレームワークを提案する。 我々は3部グラフ畳み込み層を考案し、ユーザ、グループ、アイテム間の異なる種類の近隣からの情報を集約する。 データ疎度問題に対処するため,提案した因子化注意機構に基づく新しい伝搬増強層を考案した。
  論文  参考訳（メタデータ） (2022-11-02T01:42:20Z)
• Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
  我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。 OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。 我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
  論文  参考訳（メタデータ） (2022-09-12T09:19:22Z)
• IA-GCN: Interactive Graph Convolutional Network for Recommendation [13.207235494649343]
  グラフ畳み込みネットワーク(GCN)は、協調フィルタリング(CF)ベースのレコメンダシステム(RS)のための新しい最先端技術となった。 ユーザ同士の相互対話型ガイダンスを構築し,IA-GCN(InterActive GCN)と呼ばれる新しいモデルを提案する。 我々のモデルは、CFのための最先端のGCNモデルであるLightGCNの上に構築されており、エンドツーエンドで様々なGCNベースのCFアーキテクチャと組み合わせることができる。
  論文  参考訳（メタデータ） (2022-04-08T03:38:09Z)
• 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 Convolutional Embeddings for Recommender Systems [67.5973695167534]
  本研究では,N-Partiteグラフのユーザ-item-contextインタラクションを処理するグラフ畳み込み層を提案する。 より具体的には、ユーザ-item-contextインタラクションを処理するN-partiteグラフのグラフ畳み込み層を定義する。
  論文  参考訳（メタデータ） (2021-03-05T10:46:16Z)
• Interactive Steering of Hierarchical Clustering [30.371250297444703]
  本稿では,公開知識(ウィキペディアなど)とユーザからのプライベート知識の両方を活用することで,制約付き階層的クラスタリングを視覚的に監視するインタラクティブなステアリング手法を提案する。 1)知識(知識駆動)と本質的なデータ分散(データ駆動)を用いて階層的クラスタリングの制約を自動的に構築する。 階層的クラスタリングの結果を明確に伝達するために,不確実性を考慮したツリー可視化が開発され,最も不確実なサブ階層を素早く見つけることができる。
  論文  参考訳（メタデータ） (2020-09-21T05:26:07Z)
• FREEtree: A Tree-based Approach for High Dimensional Longitudinal Data With Correlated Features [2.00191482700544]
  FREEtreeは高次元長手データと相関する特徴を持つ木に基づく手法である。 重み付き相関ネットワーク分析を用いて、まずそれらをクラスタリングすることで、特徴のネットワーク構造を利用する。 次に、各機能のクラスタ内でスクリーニングステップを実行し、残る機能の中から選択ステップを実行します。
  論文  参考訳（メタデータ） (2020-06-17T07:28:11Z)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)

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。