論文の概要: Balancing Accuracy and Novelty with Sub-Item Popularity

• arxiv url: http://arxiv.org/abs/2508.05198v1
• Date: Thu, 07 Aug 2025 09:33:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-08 18:59:39.790766
• Title: Balancing Accuracy and Novelty with Sub-Item Popularity
• Title（参考訳）: サブアイテム人気度を考慮したバランシング精度とノベルティ
• Authors: Chiara Mallamaci, Aleksandr Vladimirovich Petrov, Alberto Carlo Maria Mancino, Vito Walter Anelli, Tommaso Di Noia, Craig Macdonald,
• Abstract要約: 本稿では,RecJPQフレームワーク内でのサブIDレベルのパーソナライズされた人気の新たな統合を提案する。 提案手法は,レコメンデーション精度を損なうことなく,パーソナライズドノベルティを著しく向上させることにより,アイテムレベルのPSSを一貫して上回ります。
• 参考スコア（独自算出の注目度）: 54.56622169534604
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the realm of music recommendation, sequential recommenders have shown promise in capturing the dynamic nature of music consumption. A key characteristic of this domain is repetitive listening, where users frequently replay familiar tracks. To capture these repetition patterns, recent research has introduced Personalised Popularity Scores (PPS), which quantify user-specific preferences based on historical frequency. While PPS enhances relevance in recommendation, it often reinforces already-known content, limiting the system's ability to surface novel or serendipitous items - key elements for fostering long-term user engagement and satisfaction. To address this limitation, we build upon RecJPQ, a Transformer-based framework initially developed to improve scalability in large-item catalogues through sub-item decomposition. We repurpose RecJPQ's sub-item architecture to model personalised popularity at a finer granularity. This allows us to capture shared repetition patterns across sub-embeddings - latent structures not accessible through item-level popularity alone. We propose a novel integration of sub-ID-level personalised popularity within the RecJPQ framework, enabling explicit control over the trade-off between accuracy and personalised novelty. Our sub-ID-level PPS method (sPPS) consistently outperforms item-level PPS by achieving significantly higher personalised novelty without compromising recommendation accuracy. Code and experiments are publicly available at https://github.com/sisinflab/Sub-id-Popularity.
• Abstract（参考訳）: 音楽レコメンデーションの領域では、シーケンシャルなレコメンデーションは、音楽消費のダイナミックな性質を捉えることを約束している。 このドメインの重要な特徴は、ユーザがよく知っているトラックを頻繁に再生する反復的なリスニングである。 これらの反復パターンを捉えるために、最近の研究はPersonalized Popularity Scores (PPS)を導入している。 PPSはレコメンデーションの関連性を高めるが、しばしば既知のコンテンツを強化し、システムの新規またはセレンディピティーなアイテム(長期的なユーザエンゲージメントと満足度を高めるための重要な要素)を提示する能力を制限する。 この制限に対処するため、我々はTransformerベースのフレームワークであるRecJPQを構築した。 我々はRecJPQのサブイテムアーキテクチャを再利用し、パーソナライズされた人気をより細かい粒度でモデル化する。 これにより、アイテムレベルの人気だけではアクセスできない、サブエンベディング間の共有繰り返しパターンをキャプチャすることができます。 本稿では,RecJPQフレームワーク内でのサブIDレベルのパーソナライズされた人気の新たな統合を提案し,精度とパーソナライズされたノベルティとのトレードオフを明確に制御する。 我々のサブIDレベルPS法(sPPS)は、推奨精度を損なうことなく、パーソナライズドノベルティを著しく向上させることにより、アイテムレベルPSを一貫して上回ります。 コードと実験はhttps://github.com/sisinflab/Sub-id-Popularity.comで公開されている。

関連論文リスト

• A Framework for Elastic Adaptation of User Multiple Intents in Sequential Recommendation [21.3922837727912]
  IMAと呼ばれる逐次的レコメンデーションにおけるユーザマルチインテント適応のための効果的なインクリメンタルラーニングフレームワークを提案する。 我々はIMAをElastic Multi-intent Adaptationフレームワークにアップグレードし、不活性なインテントを弾性的に取り除き、メモリ空間制限下でユーザインテントベクトルを圧縮する。
  論文  参考訳（メタデータ） (2025-04-30T02:55:30Z)
• Towards Popularity-Aware Recommendation: A Multi-Behavior Enhanced Framework with Orthogonality Constraint [4.137753517504481]
  Top-K$レコメンデーションは、潜伏したユーザの好みを推測し、パーソナライズされたレコメンデーションを生成する。 マルチビヘイビアのtextbfSide textbfInformation を統合した textbfPopularity-aware top-$K$レコメンデーションアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-12-26T11:06:49Z)
• 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)
• Enhancing Sequential Music Recommendation with Personalized Popularity Awareness [56.972624411205224]
  本稿では、パーソナライズされた人気情報をシーケンシャルなレコメンデーションに組み込む新しいアプローチを提案する。 実験結果から、パーソナライズされた最もポピュラーなレコメンデータは、既存の最先端モデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-06T15:05:12Z)
• Disentangling Length from Quality in Direct Preference Optimization [93.74831404396174]
  RLHF(Reinforcement Learning from Human Feedback)は、近年の大規模言語モデルの成功において重要な要素である。 RLHFは、冗長性のような人間の嗜好のバイアスを利用することが知られている。 我々は,モデル品質の改善を維持しつつ,長さの搾取を防止するための基本的かつ単純な正規化戦略を開発する。
  論文  参考訳（メタデータ） (2024-03-28T06:03:47Z)
• Capturing Popularity Trends: A Simplistic Non-Personalized Approach for Enhanced Item Recommendation [10.606845291519932]
  Popularity-Aware Recommender (PARE) は、最も人気の高いアイテムを予測することで、非個人化されたレコメンデーションを行う。 私たちの知る限り、レコメンデーションシステムでアイテムの人気を明示的にモデル化する最初の試みである。
  論文  参考訳（メタデータ） (2023-08-17T06:20:03Z)
• Diverse Preference Augmentation with Multiple Domains for Cold-start Recommendations [92.47380209981348]
  メタラーニングをベースとした多元的ドメインを用いた多元的推論拡張フレームワークを提案する。 我々は、疎結合の場合の過度な適合を扱うために、新しい関心領域において多様な評価を生成する。 これらの評価は、選好メタラーナーを学ぶためのメタトレーニング手順に導入され、優れた一般化能力が得られる。
  論文  参考訳（メタデータ） (2022-04-01T10:10:50Z)
• Denoising User-aware Memory Network for Recommendation [11.145186013006375]
  我々はDUMN(Denoising User-Aware memory network)という新しいCTRモデルを提案する。 DUMNは明示的なフィードバックの表現を使用して、暗黙的なフィードバックの表現を浄化し、暗黙的なフィードバックを効果的に軽視する。 2つの実際のEコマースユーザ行動データセットの実験は、DUMNが最先端のベースラインよりも大幅に改善されていることを示している。
  論文  参考訳（メタデータ） (2021-07-12T14:39:36Z)
• Controllable Multi-Interest Framework for Recommendation [64.30030600415654]
  我々はレコメンデータシステムを逐次レコメンデーション問題として定式化する。 我々は,ComiRec と呼ばれる連続的なレコメンデーションのための新しい制御可能な多目的フレームワークを提案する。 私たちのフレームワークは、オフラインのAlibaba分散クラウドプラットフォームにうまくデプロイされています。
  論文  参考訳（メタデータ） (2020-05-19T10:18:43Z)

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。