論文の概要: Global-Distribution Aware Scenario-Specific Variational Representation Learning Framework

• arxiv url: http://arxiv.org/abs/2508.14493v1
• Date: Wed, 20 Aug 2025 07:31:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 16:52:41.376955
• Title: Global-Distribution Aware Scenario-Specific Variational Representation Learning Framework
• Title（参考訳）: シナリオを意識したグローバル分散型変分表現学習フレームワーク
• Authors: Moyu Zhang, Yujun Jin, Jinxin Hu, Yu Zhang,
• Abstract要約: グローバル・ディストリビューション・アウェア・シナリオ-特殊変分表現学習フレームワーク(GSVR)について紹介する。 提案手法では,確率論的モデルを用いて,変動推論(VI)を用いて推定した各シナリオにおいて,各ユーザとアイテムに対してシナリオ固有の分布を生成する。 また,グローバルな知識対応多分野分布を事前知識として導入し,後部ユーザおよび項目分布の学習を規制する。
• 参考スコア（独自算出の注目度）: 3.531624622201587
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the emergence of e-commerce, the recommendations provided by commercial platforms must adapt to diverse scenarios to accommodate users' varying shopping preferences. Current methods typically use a unified framework to offer personalized recommendations for different scenarios. However, they often employ shared bottom representations, which partially hinders the model's capacity to capture scenario uniqueness. Ideally, users and items should exhibit specific characteristics in different scenarios, prompting the need to learn scenario-specific representations to differentiate scenarios. Yet, variations in user and item interactions across scenarios lead to data sparsity issues, impeding the acquisition of scenario-specific representations. To learn robust scenario-specific representations, we introduce a Global-Distribution Aware Scenario-Specific Variational Representation Learning Framework (GSVR) that can be directly applied to existing multi-scenario methods. Specifically, considering the uncertainty stemming from limited samples, our approach employs a probabilistic model to generate scenario-specific distributions for each user and item in each scenario, estimated through variational inference (VI). Additionally, we introduce the global knowledge-aware multinomial distributions as prior knowledge to regulate the learning of the posterior user and item distributions, ensuring similarities among distributions for users with akin interests and items with similar side information. This mitigates the risk of users or items with fewer records being overwhelmed in sparse scenarios. Extensive experimental results affirm the efficacy of GSVR in assisting existing multi-scenario recommendation methods in learning more robust representations.
• Abstract（参考訳）: 電子商取引の出現に伴い、商業プラットフォームが提供するレコメンデーションは、ユーザの様々なショッピング嗜好に対応するために、多様なシナリオに適応する必要がある。 現在のメソッドは通常、異なるシナリオに対してパーソナライズされたレコメンデーションを提供するために統合フレームワークを使用します。 しかし、しばしば共有ボトム表現を採用しており、シナリオのユニークさを捉えるためのモデルの能力の一部を妨げている。 理想的には、ユーザとアイテムは異なるシナリオで特定の特性を示すべきであり、シナリオを区別するためにシナリオ固有の表現を学ぶ必要がある。 しかし、シナリオ間のユーザとアイテムのインタラクションの変化は、データ空間の問題を引き起こし、シナリオ固有の表現の獲得を妨げる。 シナリオ固有表現を頑健に学習するために,既存のマルチシナリオ手法に直接適用可能なグローバル・ディストリビューション・アウェア・シナリオ特有変分表現学習フレームワーク(GSVR)を導入する。 具体的には、限られたサンプルから生じる不確実性を考慮すると、変動推論(VI)により推定される各シナリオにおいて、各ユーザとアイテムのシナリオ固有の分布を生成する確率モデルを用いる。 さらに,グローバルな知識を意識した多分野分布を事前知識として導入し,後部ユーザと項目分布の学習を規制し,類似性のある興味のあるユーザと類似した側情報を持つアイテムに対する分布間の類似性を確保する。 これにより、スパースシナリオで圧倒されるレコードが少ないユーザやアイテムのリスクが軽減される。 大規模な実験結果から,より堅牢な表現を学習する上で,既存の多シナリオレコメンデーション手法を支援するGSVRの有効性が確認された。

関連論文リスト

• PERSCEN: Learning Personalized Interaction Pattern and Scenario Preference for Multi-Scenario Matching [38.829190984763294]
  効果的なマルチシナリオレコメンデーションの鍵は、すべてのシナリオで共有されるユーザの好みと、シナリオ固有のシナリオ対応の好みの両方をキャプチャすることだ。 ユーザ固有のモデリングをマルチシナリオマッチングに組み込む革新的なアプローチであるPERSCENを提案する。 PERSCENは、ユーザ特性に基づいて、ユーザ固有の特徴グラフを構築し、高次のインタラクションパターンをキャプチャするために、軽量なグラフニューラルネットワークを使用している。
  論文  参考訳（メタデータ） (2025-06-23T08:15:16Z)
• Uniting contrastive and generative learning for event sequences models [51.547576949425604]
  本研究では,2つの自己指導型学習手法 – 例えば,コントラスト学習と,潜在空間におけるマスクイベントの復元に基づく生成的アプローチ – の統合について検討する。 いくつかの公開データセットで行った実験は、シーケンス分類と次点型予測に焦点を合わせ、統合された手法が個々の手法と比較して優れた性能を達成することを示した。
  論文  参考訳（メタデータ） (2024-08-19T13:47:17Z)
• Adaptive Utilization of Cross-scenario Information for Multi-scenario Recommendation [11.489766641148151]
  マルチシナリオ勧告(Multi-scenario Recommendation、MSR)は、さまざまなシナリオからの情報を活用することで、ランキングパフォーマンスを向上させる重要なトピックである。 MSRの最近の手法は主に、共通性とシナリオ間の差異をモデル化するために共有または特定のモジュールを構築する。 我々は,シナリオに支配された専門家の混在により,すべてのシナリオに対処するために,CSII(Cross-Scenario Information Interaction)という統合モデルを提案する。
  論文  参考訳（メタデータ） (2024-07-29T06:17:33Z)
• GM-DF: Generalized Multi-Scenario Deepfake Detection [49.072106087564144]
  既存の偽造検出は、通常、単一のドメインでのトレーニングモデルのパラダイムに従う。 本稿では,複数の顔偽造検出データセットを共同で訓練した場合のディープフェイク検出モデルの一般化能力について詳しく検討する。
  論文  参考訳（メタデータ） (2024-06-28T17:42:08Z)
• Scenario-Adaptive Fine-Grained Personalization Network: Tailoring User Behavior Representation to the Scenario Context [3.7566162903515115]
  我々はSFPNet(Scenario-Adaptive Fine-Grained Personalization Network)というランキングフレームワークを開発した。 SFPNetは、マルチシナリオパーソナライズされたレコメンデーションのための、ある種のきめ細かいメソッドを設計する。
  論文  参考訳（メタデータ） (2024-04-15T12:08:44Z)
• UMSE: Unified Multi-scenario Summarization Evaluation [52.60867881867428]
  要約品質評価は、テキスト要約における非自明なタスクである。 統一多シナリオ要約評価モデル(UMSE)を提案する。 UMSEは3つの評価シナリオで使用できる能力に係わる最初の統合要約評価フレームワークである。
  論文  参考訳（メタデータ） (2023-05-26T12:54:44Z)
• Scenario-Adaptive and Self-Supervised Model for Multi-Scenario Personalized Recommendation [35.4495536683099]
  シナリオ適応型自己監督型(SASS)モデルを提案し,上記の3つの課題を解決する。 このモデルは、ユーザ側とアイテム側の両方で対称に生成され、異なるシナリオにおけるアイテムの表現を区別することができる。 このモデルは、オンラインA/Bテストにおける平均視聴時間に対して8.0%以上の改善も達成している。
  論文  参考訳（メタデータ） (2022-08-24T11:44:00Z)
• An Additive Instance-Wise Approach to Multi-class Model Interpretation [53.87578024052922]
  解釈可能な機械学習は、ブラックボックスシステムの特定の予測を駆動する要因に関する洞察を提供する。 既存の手法は主に、局所的な加法的あるいはインスタンス的なアプローチに従う説明的入力特徴の選択に重点を置いている。 本研究は,両手法の長所を生かし,複数の対象クラスに対する局所的な説明を同時に学習するためのグローバルフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-07T06:50:27Z)
• Scenario-aware and Mutual-based approach for Multi-scenario Recommendation in E-Commerce [12.794276204716642]
  不均質な電子商取引のシナリオでユーザーのための正確な推奨を行う方法は、まだ継続的な研究トピックです。 本稿では,複数のシナリオの違いと類似性を活用するScenario-aware Mutual Learning (SAML) という新しい推奨モデルを提案する。
  論文  参考訳（メタデータ） (2020-12-16T13:52:14Z)

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。