論文の概要: Benefit from Rich: Tackling Search Interaction Sparsity in Search Enhanced Recommendation
- arxiv url: http://arxiv.org/abs/2508.04145v1
- Date: Wed, 06 Aug 2025 07:16:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-07 20:09:22.58256
- Title: Benefit from Rich: Tackling Search Interaction Sparsity in Search Enhanced Recommendation
- Title（参考訳）: Richによるベネフィット: 検索強化勧告における検索インタラクションの疎結合に対処する
- Authors: Teng Shi, Weijie Yu, Xiao Zhang, Ming He, Jianping Fan, Jun Xu,
- Abstract要約: 本稿では,ユーザコードグラフ上でメッセージパッシングを利用するGSERecを提案する。
実世界の3つのデータセットの実験では、GSERecはベースラインを一貫して上回っている。
- 参考スコア（独自算出の注目度）: 10.646120456912099
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In modern online platforms, search and recommendation (S&R) often coexist, offering opportunities for performance improvement through search-enhanced approaches. Existing studies show that incorporating search signals boosts recommendation performance. However, the effectiveness of these methods relies heavily on rich search interactions. They primarily benefit a small subset of users with abundant search behavior, while offering limited improvements for the majority of users who exhibit only sparse search activity. To address the problem of sparse search data in search-enhanced recommendation, we face two key challenges: (1) how to learn useful search features for users with sparse search interactions, and (2) how to design effective training objectives under sparse conditions. Our idea is to leverage the features of users with rich search interactions to enhance those of users with sparse search interactions. Based on this idea, we propose GSERec, a method that utilizes message passing on the User-Code Graphs to alleviate data sparsity in Search-Enhanced Recommendation. Specifically, we utilize Large Language Models (LLMs) with vector quantization to generate discrete codes, which connect similar users and thereby construct the graph. Through message passing on this graph, embeddings of users with rich search data are propagated to enhance the embeddings of users with sparse interactions. To further ensure that the message passing captures meaningful information from truly similar users, we introduce a contrastive loss to better model user similarities. The enhanced user representations are then integrated into downstream search-enhanced recommendation models. Experiments on three real-world datasets show that GSERec consistently outperforms baselines, especially for users with sparse search behaviors.
- Abstract（参考訳）: 現代のオンラインプラットフォームでは、検索とレコメンデーション(S&R)はしばしば共存し、検索強化アプローチによるパフォーマンス改善の機会を提供する。
既存の研究では,検索信号が組み込まれているため,推薦性能が向上している。
しかし,これらの手法の有効性は検索のリッチな相互作用に大きく依存している。
主に検索行動の豊富な少数のユーザーに恩恵を与える一方で、少ない検索行動のみを示すユーザーの大多数に限定的な改善を提供する。
スパース検索データの課題に対処するためには,(1) スパース検索を行うユーザに対して有用な検索機能を学習する方法,(2) スパース条件下で効果的な学習目標を設計する方法の2つの課題に直面する。
我々の考えは、リッチな検索インタラクションを持つユーザの機能を活用して、スパースな検索インタラクションを持つユーザの機能を強化することである。
このアイデアに基づいて,ユーザコードグラフ上のメッセージパッシングを利用して,検索拡張レコメンデーションにおけるデータの分散を緩和する手法であるGSERecを提案する。
具体的には,Large Language Models (LLM) を用いてベクトル量子化を行い,類似したユーザを接続してグラフを構成する離散コードを生成する。
このグラフ上のメッセージパッシングにより、リッチな検索データを持つユーザの埋め込みが伝播し、疎いインタラクションを持つユーザの埋め込みを強化する。
さらに、メッセージパッシングが真に類似したユーザから有意義な情報をキャプチャすることを保証するため、ユーザ類似性をモデル化するために、対照的な損失を導入する。
拡張されたユーザ表現は、下流の検索強化レコメンデーションモデルに統合される。
実世界の3つのデータセットの実験では、GSERecはベースラインを一貫して上回っている。
関連論文リスト
- Unifying Generative and Dense Retrieval for Sequential Recommendation [37.402860622707244]
逐次密度検索と生成検索の強みを組み合わせたハイブリッドモデルであるLIGERを提案する。
LIGERは、シーケンシャルな高密度検索を生成検索に統合し、性能差を緩和し、コールドスタートアイテムレコメンデーションを強化する。
このハイブリッドアプローチは、これらのアプローチ間のトレードオフに関する洞察を与え、小規模ベンチマークにおけるレコメンデーションシステムの効率と効率性の向上を示す。
論文 参考訳（メタデータ） (2024-11-27T23:36:59Z) - Retrieval Augmentation via User Interest Clustering [57.63883506013693]
インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。
本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。
当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
論文 参考訳（メタデータ） (2024-08-07T16:35:10Z) - Lexically-Accelerated Dense Retrieval [29.327878974130055]
LADR (Lexically-Accelerated Dense Retrieval) は, 既存の高密度検索モデルの効率を向上する, 簡便な手法である。
LADRは、標準ベンチマークでの徹底的な検索と同等の精度とリコールの両方を一貫して達成する。
論文 参考訳（メタデータ） (2023-07-31T15:44:26Z) - When Search Meets Recommendation: Learning Disentangled Search
Representation for Recommendation [56.98380787425388]
シークエンシャルレコメンデーション(SESRec)のための検索強化フレームワークを提案する。
SESRec は、S&R の振る舞いにおいて類似および異種表現を分離する。
産業用と公共用両方のデータセットの実験では、SESRecが最先端のモデルより一貫して優れていることが示されている。
論文 参考訳（メタデータ） (2023-05-18T09:04:50Z) - Actively Discovering New Slots for Task-oriented Conversation [19.815466126158785]
本稿では,ループ内学習を実現するため,情報抽出方式で汎用的なスロットタスクを提案する。
我々は既存の言語ツールを活用し、対応するラベルが弱い監視信号として利用される値候補を抽出する。
いくつかの公開データセットに対して広範な実験を行い、競合するベースラインを多数比較して手法を実証する。
論文 参考訳（メタデータ） (2023-05-06T13:33:33Z) - Graph Collaborative Signals Denoising and Augmentation for
Recommendation [75.25320844036574]
ユーザ・ユーザ・項目間の相関を組み込んだグラフ隣接行列を提案する。
ユーザ・ユーザ・イテム相関と項目・イテム相関が組み合わさることで,豊富なインタラクションと不十分なインタラクションを持つユーザのレコメンデーションが向上することを示す。
論文 参考訳（メタデータ） (2023-04-06T19:43:37Z) - A Graph-Enhanced Click Model for Web Search [67.27218481132185]
ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。
セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
論文 参考訳（メタデータ） (2022-06-17T08:32:43Z) - Approximate Nearest Neighbor Search under Neural Similarity Metric for
Large-Scale Recommendation [20.42993976179691]
本稿では,任意のマッチング関数にANN探索を拡張する新しい手法を提案する。
我々の主な考えは、すべての項目から構築された類似性グラフに一致する関数で、欲張りのウォークを実行することである。
提案手法は,Taobaoのディスプレイ広告プラットフォームに完全に展開されており,広告収入の大幅な増加をもたらす。
論文 参考訳（メタデータ） (2022-02-14T07:55:57Z) - RETE: Retrieval-Enhanced Temporal Event Forecasting on Unified Query
Product Evolutionary Graph [18.826901341496143]
時間的イベント予測は、統合クエリ製品進化グラフにおける新しいユーザ行動予測タスクである。
本稿では,新しいイベント予測フレームワークを提案する。
既存手法とは違って,グラフ全体の大まかに連結されたエンティティを通じてユーザ表現を強化する手法を提案する。
論文 参考訳（メタデータ） (2022-02-12T19:27:56Z) - 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) - 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。