論文の概要: SaviorRec: Semantic-Behavior Alignment for Cold-Start Recommendation
- arxiv url: http://arxiv.org/abs/2508.01375v1
- Date: Sat, 02 Aug 2025 14:09:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-12 14:18:05.976393
- Title: SaviorRec: Semantic-Behavior Alignment for Cold-Start Recommendation
- Title（参考訳）: SaviorRec:コールドスタート勧告のためのセマンティックビヘイビアアライメント
- Authors: Yining Yao, Ziwei Li, Shuwen Xiao, Boya Du, Jialin Zhu, Junjun Zheng, Xiangheng Kong, Yuning Jiang,
- Abstract要約: コールドスタート勧告フレームワークのためのセマンティックビヘイビアアライメントを提案する。
まず、ドメイン固有の知識を活用して、意味表現を生成するためにマルチモーダルエンコーダを訓練する。
第二に、残差量子化セマンティックIDを用いて、マルチモーダル表現とランキングモデルの間のギャップを動的にブリッジする。
- 参考スコア（独自算出の注目度）: 14.449201436664692
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recommendation systems, predicting Click-Through Rate (CTR) is crucial for accurately matching users with items. To improve recommendation performance for cold-start and long-tail items, recent studies focus on leveraging item multimodal features to model users' interests. However, obtaining multimodal representations for items relies on complex pre-trained encoders, which incurs unacceptable computation cost to train jointly with downstream ranking models. Therefore, it is important to maintain alignment between semantic and behavior space in a lightweight way. To address these challenges, we propose a Semantic-Behavior Alignment for Cold-start Recommendation framework, which mainly focuses on utilizing multimodal representations that align with the user behavior space to predict CTR. First, we leverage domain-specific knowledge to train a multimodal encoder to generate behavior-aware semantic representations. Second, we use residual quantized semantic ID to dynamically bridge the gap between multimodal representations and the ranking model, facilitating the continuous semantic-behavior alignment. We conduct our offline and online experiments on the Taobao, one of the world's largest e-commerce platforms, and have achieved an increase of 0.83% in offline AUC, 13.21% clicks increase and 13.44% orders increase in the online A/B test, emphasizing the efficacy of our method.
- Abstract（参考訳）: 推薦システムでは,Click-Through Rate (CTR) を予測することが,ユーザとアイテムを正確にマッチングするために重要である。
コールドスタート・ロングテールアイテムのレコメンデーション性能を向上させるため、近年の研究では、アイテムマルチモーダル機能を活用してユーザの興味をモデル化することに焦点を当てている。
しかし、アイテムのマルチモーダル表現を得ることは、複雑な事前学習エンコーダに依存しており、ダウンストリームランキングモデルと共同でトレーニングするためには、許容できない計算コストがかかる。
したがって、セマンティック空間と行動空間との整合性を軽量に維持することが重要である。
これらの課題に対処するために,CTRの予測にユーザ行動空間と整合したマルチモーダル表現の活用を主眼とする,コールドスタート勧告のためのセマンティックビヘイビアアライメントを提案する。
まず、ドメイン固有の知識を利用してマルチモーダルエンコーダを訓練し、振る舞いを意識した意味表現を生成する。
第2に、残差量子化セマンティックIDを用いて、マルチモーダル表現とランキングモデルのギャップを動的にブリッジし、連続的なセマンティックビヘイビアアライメントを容易にする。
我々は、世界最大のeコマースプラットフォームであるTaobao上で、オフラインおよびオンラインの実験を行い、オフラインAUCでは0.83%、クリック数13.21%、オンラインA/Bテストでは13.44%の増加を達成した。
関連論文リスト
- Balancing Semantic Relevance and Engagement in Related Video Recommendations [21.2575040646784]
関連ビデオレコメンデーションでは、協調フィルタリング(CF)をコエンゲージメント信号で駆動するのが一般的である。
本稿では,意味的関連性とユーザエンゲージメントのバランスをとるために,新しい多目的検索フレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-12T21:04:25Z) - MIM: Multi-modal Content Interest Modeling Paradigm for User Behavior Modeling [27.32474950026696]
マルチモーダルコンテンツ興味モデリングパラダイム(MIM)を提案する。
MIMは3つの主要なステージで構成されている。
CTRでは+14.14%、RPMでは+4.12%の大幅な増加を達成した。
論文 参考訳（メタデータ） (2025-02-01T05:06:21Z) - Unleash LLMs Potential for Recommendation by Coordinating Twin-Tower Dynamic Semantic Token Generator [60.07198935747619]
動的セマンティック・インデックス・パラダイムを採用した最初の生成型RSであるTTDS(Twin-Tower Dynamic Semantic Recommender)を提案する。
より具体的には、ツイン・トワー・セマンティック・トークン・ジェネレータをLLMベースのレコメンデータに統合する動的知識融合フレームワークを初めて提案する。
提案したTTDSレコメンデータは,平均19.41%のヒットレート,20.84%のNDCG測定値を実現している。
論文 参考訳（メタデータ） (2024-09-14T01:45:04Z) - Learning Multi-Aspect Item Palette: A Semantic Tokenization Framework for Generative Recommendation [55.99632509895994]
マルチアスペクトセマンティックトークン化のための新しいアプローチであるLAMIAを紹介する。
単一の埋め込みを使用するRQ-VAEとは異なり、LAMIAは独立的でセマンティックな並列な埋め込みの集合である「アイテムパレット」を学習する。
その結果,提案手法よりも提案手法の精度が大幅に向上した。
論文 参考訳（メタデータ） (2024-09-11T13:49:48Z) - 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) - 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) - MISSRec: Pre-training and Transferring Multi-modal Interest-aware
Sequence Representation for Recommendation [61.45986275328629]
逐次レコメンデーションのためのマルチモーダル事前学習・転送学習フレームワークであるMISSRecを提案する。
ユーザ側ではトランスフォーマーベースのエンコーダデコーダモデルを設計し、コンテキストエンコーダがシーケンスレベルのマルチモーダルユーザ興味を捉えることを学習する。
候補項目側では,ユーザ適応項目表現を生成するために動的融合モジュールを採用する。
論文 参考訳（メタデータ） (2023-08-22T04:06:56Z) - Meta-Wrapper: Differentiable Wrapping Operator for User Interest
Selection in CTR Prediction [97.99938802797377]
クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。
近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。
そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2022-06-28T03:28:15Z) - Learning to Learn a Cold-start Sequential Recommender [70.5692886883067]
コールドスタート勧告は、現代のオンラインアプリケーションにおいて緊急の問題である。
メタ学習に基づくコールドスタートシーケンシャルレコメンデーションフレームワークMetaCSRを提案する。
MetaCSRは、通常のユーザの行動から共通のパターンを学ぶ能力を持っている。
論文 参考訳（メタデータ） (2021-10-18T08:11:24Z) - Multiplex Behavioral Relation Learning for Recommendation via Memory
Augmented Transformer Network [25.563806871858073]
本研究では,メモリ拡張トランスフォーマーネットワーク(MATN)を提案する。
MATNフレームワークでは、まずトランスフォーマーに基づくマルチビヘイビア関係エンコーダを開発し、学習された相互作用表現をクロスタイプ行動関係を反映させる。
MATNをスーパーチャージするメモリアテンションネットワークを提案し、異なる種類の振る舞いのコンテキスト信号をカテゴリ固有の潜在埋め込み空間にキャプチャする。
論文 参考訳（メタデータ） (2021-10-08T09:54:43Z)
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。