論文の概要: Dynamic Forgetting and Spatio-Temporal Periodic Interest Modeling for Local-Life Service Recommendation
- arxiv url: http://arxiv.org/abs/2508.02451v1
- Date: Mon, 04 Aug 2025 14:16:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-05 18:25:22.373605
- Title: Dynamic Forgetting and Spatio-Temporal Periodic Interest Modeling for Local-Life Service Recommendation
- Title（参考訳）: ローカル・ライフ・サービス勧告のための動的フォーミングと時空間利子モデリング
- Authors: Zhaoyu Hu, Hao Guo, Yuan Tian, Erpeng Xue, Jianyang Wang, Xianyang Qi, Hongxiang Lin, Lei Wang, Sheng Chen,
- Abstract要約: 本稿では,リフレッシュ曲線を導入し,ローカルライフサービスレコメンデーションのための長い周期シーケンスのSTIMを提案する。
STIM法の導入により,オンラインA/Bテストを行い,総取引量(GTV)が1.54%向上した。
STIMは大規模なローカルライフサービスレコメンデーションシステムにデプロイされ、コアアプリケーションのシナリオにおいて、毎日数億人のアクティブユーザを提供する。
- 参考スコア（独自算出の注目度）: 9.891466361996395
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the context of the booming digital economy, recommendation systems, as a key link connecting users and numerous services, face challenges in modeling user behavior sequences on local-life service platforms, including the sparsity of long sequences and strong spatio-temporal dependence. Such challenges can be addressed by drawing an analogy to the forgetting process in human memory. This is because users' responses to recommended content follow the recency effect and the cyclicality of memory. By exploring this, this paper introduces the forgetting curve and proposes Spatio-Temporal periodic Interest Modeling (STIM) with long sequences for local-life service recommendation. STIM integrates three key components: a dynamic masking module based on the forgetting curve, which is used to extract both recent spatiotemporal features and periodic spatiotemporal features; a query-based mixture of experts (MoE) approach that can adaptively activate expert networks under different dynamic masks, enabling the collaborative modeling of time, location, and items; and a hierarchical multi-interest network unit, which captures multi-interest representations by modeling the hierarchical interactions between the shallow and deep semantics of users' recent behaviors. By introducing the STIM method, we conducted online A/B tests and achieved a 1.54\% improvement in gross transaction volume (GTV). In addition, extended offline experiments also showed improvements. STIM has been deployed in a large-scale local-life service recommendation system, serving hundreds of millions of daily active users in core application scenarios.
- Abstract（参考訳）: デジタル経済の興隆期において、ユーザと多数のサービスを結ぶキーリンクとしてのレコメンデーションシステムは、長いシーケンスの空間性や強い時空間依存を含む、ローカルライフサービスプラットフォーム上でのユーザ行動シーケンスをモデル化する上で、課題に直面している。
このような課題は、人間の記憶における忘れる過程を例証することで解決できる。
これは、推奨コンテンツに対するユーザの反応が、記憶の再発効果と循環性に従うためである。
そこで本論文では, ゆるやかなリコメンデーションを考慮した時空間周期的関心モデリング(STIM)を提案する。
STIMは、最近の時空間的特徴と周期的時空間的特徴の両方を抽出するために使用される、忘れる曲線に基づく動的マスキングモジュール、異なる動的マスキングの下で専門家ネットワークを適応的に活性化し、時間、場所、項目の協調的なモデリングを可能にする、クエリベースの専門家(MoE)アプローチ、ユーザの最近の行動の浅い意味と深い意味の階層的相互作用をモデル化して、多目的表現をキャプチャする階層的マルチ関心ネットワークユニットの3つの主要なコンポーネントを統合している。
STIM法を導入し,オンラインA/B試験を行い,総取引量(GTV)を1.54倍改善した。
さらに、オフライン実験の拡張も改善された。
STIMは大規模なローカルライフサービスレコメンデーションシステムにデプロイされ、コアアプリケーションのシナリオにおいて、毎日数億人のアクティブユーザを提供する。
関連論文リスト
- STAR-Rec: Making Peace with Length Variance and Pattern Diversity in Sequential Recommendation [61.320991769685065]
STAR-Recは、好みを認識した注意と状態空間モデリングを組み合わせた新しいアーキテクチャである。
STAR-Recは、最先端のシーケンシャル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） (2025-05-06T12:40:38Z) - FIM: Frequency-Aware Multi-View Interest Modeling for Local-Life Service Recommendation [13.42740803837504]
地域生活サービスレコメンデーションシステムにおけるユーザの定期行動のモデル化における主な課題は,1)ユーザの多様な要求が様々な周期性を示すこと,2)休日やプロモーションイベントなどの要因によってユーザの定期行動が動的に変化すること,である。
本稿では、ユーザの要求を異なる視点から分解し、様々な周期的意図を分離する周波数対応多視点関心モデリングフレームワーク(FIM)を提案する。
論文 参考訳（メタデータ） (2025-04-23T02:05:31Z) - SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。
伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。
本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-29T08:00:15Z) - Multi-Scale Spatial-Temporal Self-Attention Graph Convolutional Networks for Skeleton-based Action Recognition [0.0]
本稿では,マルチスケール空間時間自己注意(MSST)-GCNという自己注意型GCNハイブリッドモデルを提案する。
適応トポロジを持つ空間自己保持モジュールを用いて、異なる身体部分間のフレーム内相互作用を理解するとともに、時間的自己保持モジュールを用いてノードのフレーム間の相関関係を調べる。
論文 参考訳（メタデータ） (2024-04-03T10:25:45Z) - GPT-ST: Generative Pre-Training of Spatio-Temporal Graph Neural Networks [24.323017830938394]
この作業は、ベースラインとシームレスに統合し、パフォーマンスを向上する事前トレーニングフレームワークを導入することで、課題に対処することを目的としている。
フレームワークは2つの重要な設計に基づいて構築されている。
Apple-to-appleマスクオートエンコーダは、学習時間依存のための事前トレーニングモデルである。
これらのモジュールは、時間内カスタマイズされた表現とセマンティック・クラスタ間関係を捉えるように設計されている。
論文 参考訳（メタデータ） (2023-11-07T02:36:24Z) - TempGNN: Temporal Graph Neural Networks for Dynamic Session-Based
Recommendations [5.602191038593571]
テンポラルグラフニューラルネットワーク(TempGNN)は、複雑なアイテム遷移における構造的・時間的ダイナミクスを捉えるための一般的なフレームワークである。
TempGNNは、2つの現実世界のEコマースデータセットで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2023-10-20T03:13:10Z) - Multi-Behavior Sequential Recommendation with Temporal Graph Transformer [66.10169268762014]
マルチビヘイビア・インタラクティブなパターンを意識した動的ユーザ・イテム関係学習に取り組む。
本稿では,動的短期および長期のユーザ・イテム対話パターンを共同でキャプチャする,TGT(Temporal Graph Transformer)レコメンデーションフレームワークを提案する。
論文 参考訳（メタデータ） (2022-06-06T15:42:54Z) - LSTA-Net: Long short-term Spatio-Temporal Aggregation Network for
Skeleton-based Action Recognition [14.078419675904446]
LSTA-Net(英語版) - 新しい短期時空間ネットワーク。
時間的・短期的な情報は、既存の作品ではよく調べられていない。
3つの公開ベンチマークデータセットで実験が行われた。
論文 参考訳（メタデータ） (2021-11-01T10:53:35Z) - Learning Dual Dynamic Representations on Time-Sliced User-Item
Interaction Graphs for Sequential Recommendation [62.30552176649873]
シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。
両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。
モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
論文 参考訳（メタデータ） (2021-09-24T07:44:27Z) - Dynamic Memory based Attention Network for Sequential Recommendation [79.5901228623551]
DMAN(Dynamic Memory-based Attention Network)と呼ばれる新しい連続的推薦モデルを提案する。
長い動作シーケンス全体を一連のサブシーケンスに分割し、モデルをトレーニングし、ユーザの長期的な利益を維持するためにメモリブロックのセットを維持する。
動的メモリに基づいて、ユーザの短期的および長期的関心を明示的に抽出し、組み合わせて効率的な共同推薦を行うことができる。
論文 参考訳（メタデータ） (2021-02-18T11:08:54Z) - Sequential Recommender via Time-aware Attentive Memory Network [67.26862011527986]
本稿では,注意機構と繰り返し単位を改善するための時間ゲーティング手法を提案する。
また,長期と短期の嗜好を統合するマルチホップ・タイムアウェア・アテンテーティブ・メモリ・ネットワークを提案する。
提案手法は,候補探索タスクに対してスケーラブルであり,ドット積に基づくTop-Kレコメンデーションのための潜在因数分解の非線形一般化とみなすことができる。
論文 参考訳（メタデータ） (2020-05-18T11:29:38Z)
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。