論文の概要: Encode Me If You Can: Learning Universal User Representations via Event Sequence Autoencoding

• arxiv url: http://arxiv.org/abs/2508.07748v1
• Date: Mon, 11 Aug 2025 08:28:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:29.010216
• Title: Encode Me If You Can: Learning Universal User Representations via Event Sequence Autoencoding
• Title（参考訳）: Encode Me If You Can: Learning Universal User Representation via Event Sequence Autoencoding (英語)
• Authors: Anton Klenitskiy, Artem Fatkulin, Daria Denisova, Anton Pembek, Alexey Vasilev,
• Abstract要約: ユーザ行動の本質的な側面を捉えた普遍的なユーザ表現の構築は、現代の機械学習システムにとって重要な課題である。 SyneriseによるRecSys Challenge 2025の目標は、過去のユーザの振る舞いのログからこのようなユニバーサルな振る舞いプロファイルを開発することだった。 本稿では,ユーザインタラクション履歴全体を1つの時系列シーケンスに変換し,GRUベースのオートエンコーダをトレーニングして,このシーケンスを固定サイズのベクトルから再構築する手法を提案する。
• 参考スコア（独自算出の注目度）: 0.7864304771129751
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Building universal user representations that capture the essential aspects of user behavior is a crucial task for modern machine learning systems. In real-world applications, a user's historical interactions often serve as the foundation for solving a wide range of predictive tasks, such as churn prediction, recommendations, or lifetime value estimation. Using a task-independent user representation that is effective across all such tasks can reduce the need for task-specific feature engineering and model retraining, leading to more scalable and efficient machine learning pipelines. The goal of the RecSys Challenge 2025 by Synerise was to develop such Universal Behavioral Profiles from logs of past user behavior, which included various types of events such as product purchases, page views, and search queries. We propose a method that transforms the entire user interaction history into a single chronological sequence and trains a GRU-based autoencoder to reconstruct this sequence from a fixed-size vector. If the model can accurately reconstruct the sequence, the latent vector is expected to capture the key behavioral patterns. In addition to this core model, we explored several alternative methods for generating user embeddings and combined them by concatenating their output vectors into a unified representation. This ensemble strategy further improved generalization across diverse downstream tasks and helped our team, ai_lab_recsys, achieve second place in the RecSys Challenge 2025.
• Abstract（参考訳）: ユーザ行動の本質的な側面を捉えた普遍的なユーザ表現の構築は、現代の機械学習システムにとって重要な課題である。 現実世界のアプリケーションでは、ユーザーの歴史的相互作用は、チャーン予測、レコメンデーション、寿命値推定など、幅広い予測タスクを解く基盤として機能することが多い。 このようなタスクに有効であるタスク非依存のユーザ表現を使用することで、タスク固有の機能エンジニアリングやモデル再トレーニングの必要性が軽減され、よりスケーラブルで効率的な機械学習パイプラインが実現される。 SyneriseによるRecSys Challenge 2025の目標は、製品購入、ページビュー、検索クエリなどのさまざまなイベントを含む過去のユーザの振る舞いのログから、このようなユニバーサルな振る舞いプロファイルを開発することだった。 本稿では,ユーザインタラクション履歴全体を1つの時系列シーケンスに変換し,GRUベースのオートエンコーダをトレーニングして,このシーケンスを固定サイズのベクトルから再構築する手法を提案する。 モデルがシークエンスを正確に再構築できる場合、潜在ベクトルは重要な行動パターンを捉えることが期待される。 このコアモデルに加えて、ユーザ埋め込みを生成するための代替手法をいくつか検討し、それらの出力ベクトルを統一表現にまとめて組み合わせた。 このアンサンブル戦略により、さまざまな下流タスクの一般化がさらに向上し、チームであるai_lab_recsysがRecSys Challenge 2025で2位になった。

関連論文リスト

• 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)
• Recommender Systems with Generative Retrieval [58.454606442670034]
  本稿では,対象候補の識別子を自己回帰的に復号する新たな生成検索手法を提案する。 そのために、各項目のセマンティックIDとして機能するために、意味論的に意味のあるコードワードを作成します。 提案手法を用いて学習した推薦システムは,様々なデータセット上での現在のSOTAモデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-08T21:48:17Z)
• Learning Large-scale Universal User Representation with Sparse Mixture of Experts [1.2722697496405464]
  複数のタスクから高品質なユーザ表現を得るための汎用フレームワーク SUPERMOE を提案する。 具体的には、ユーザ動作シーケンスをMoE変換器で符号化することで、モデル容量を数十億のパラメータに増やすことができる。 複数のタスクにまたがる学習においてシーソー現象に対処するために,タスクインジケータを用いた新たな損失関数を設計する。
  論文  参考訳（メタデータ） (2022-07-11T06:19:03Z)
• Empowering General-purpose User Representation with Full-life Cycle Behavior Modeling [11.698166058448555]
  本稿では,この課題に対処するために,フルライフサイクルユーザ表現モデル(LURM)と呼ばれる新しいフレームワークを提案する。 LURMは2つのカスケードサブモデルで構成されている: (I) Bag-of-Interests (BoI) は、任意の期間におけるユーザの振る舞いを超高次元のスパースベクトル(例:105)にエンコードする。 SMENは、ユーザ関心の異なる側面を学習できる新しいマルチアンカーモジュールの恩恵を受け、ほぼ次元の削減を実現している。
  論文  参考訳（メタデータ） (2021-10-20T08:24:44Z)
• 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)
• 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)
• Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
  マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。 本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。 最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
  論文  参考訳（メタデータ） (2021-09-07T04:28:09Z)
• Sequence Adaptation via Reinforcement Learning in Recommender Systems [8.909115457491522]
  そこで我々は,SARモデルを提案する。SARモデルは,ユーザとイテムの相互作用のシーケンス長をパーソナライズされた方法で調整する。 さらに,逐次レコメンデーションの精度を批評家ネットワークの予測累積報酬と整合させるために,共同損失関数を最適化する。 実世界の4つのデータセットに対する実験的な評価は,提案モデルがいくつかのベースラインアプローチよりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-31T13:56:46Z)

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。