論文の概要: Benefiting from Negative yet Informative Feedback by Contrasting Opposing Sequential Patterns

• arxiv url: http://arxiv.org/abs/2508.14786v1
• Date: Wed, 20 Aug 2025 15:32:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 16:52:41.504991
• Title: Benefiting from Negative yet Informative Feedback by Contrasting Opposing Sequential Patterns
• Title（参考訳）: 逐次パターンの対比による否定的でも不定形フィードバックからの便益化
• Authors: Veronika Ivanova, Evgeny Frolov, Alexey Vasilev,
• Abstract要約: 逐次レコメンデーションシナリオにおいて,肯定的フィードバックと否定的フィードバックの両方から学習するタスクを検討する。 本研究では,2つの変圧器エンコーダを2つの正および負の相互作用シーケンスで学習することを提案する。 本手法の有効性を,最先端のシーケンシャルレコメンデーション手法と比較して,真正の指標の増加の観点から示す。
• 参考スコア（独自算出の注目度）: 1.6044444452278062
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider the task of learning from both positive and negative feedback in a sequential recommendation scenario, as both types of feedback are often present in user interactions. Meanwhile, conventional sequential learning models usually focus on considering and predicting positive interactions, ignoring that reducing items with negative feedback in recommendations improves user satisfaction with the service. Moreover, the negative feedback can potentially provide a useful signal for more accurate identification of true user interests. In this work, we propose to train two transformer encoders on separate positive and negative interaction sequences. We incorporate both types of feedback into the training objective of the sequential recommender using a composite loss function that includes positive and negative cross-entropy as well as a cleverly crafted contrastive term, that helps better modeling opposing patterns. We demonstrate the effectiveness of this approach in terms of increasing true-positive metrics compared to state-of-the-art sequential recommendation methods while reducing the number of wrongly promoted negative items.
• Abstract（参考訳）: ユーザインタラクションにおいて,ポジティブなフィードバックとネガティブなフィードバックの両方から学ぶタスクを,逐次的なレコメンデーションシナリオで検討する。 一方、従来の逐次学習モデルでは、肯定的なインタラクションを考慮し、予測することに重点を置いている。 さらに、ネガティブなフィードバックは、真のユーザ関心のより正確な識別に有用なシグナルを提供する可能性がある。 本研究では,2つの変圧器エンコーダを2つの正および負の相互作用シーケンスで学習することを提案する。 両タイプのフィードバックを、正負のクロスエントロピーを含む複合損失関数と、対立するパターンのモデリングを改善するための巧妙な対照的な用語を用いて、シーケンシャルレコメンデータのトレーニング目標に組み込む。 提案手法の有効性は,最先端のシーケンシャルレコメンデーション手法と比較して,正の指標の増加とともに,不正に促進された負の項目の数を減らすことによる。

関連論文リスト

• ReNeg: Learning Negative Embedding with Reward Guidance [69.81219455975477]
  テキスト・ツー・イメージ(T2I)生成アプリケーションでは、負の埋め込みは生成品質を向上させるための単純で効果的なアプローチであることが証明されている。 Rewardモデルにより導かれる改良された負の埋め込みを学習するために設計されたエンドツーエンドの手法であるReNegを紹介する。
  論文  参考訳（メタデータ） (2024-12-27T13:31:55Z)
• Learning Recommender Systems with Soft Target: A Decoupled Perspective [49.83787742587449]
  そこで本研究では,ソフトラベルを活用することで,目的を2つの側面として捉えるために,分離されたソフトラベル最適化フレームワークを提案する。 本稿では,ラベル伝搬アルゴリズムをモデル化したソフトラベル生成アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-09T04:20:15Z)
• Learning from negative feedback, or positive feedback or both [21.95277469346728]
  ポジティブなフィードバックとネガティブなフィードバックから学習を分離する新しいアプローチを導入する。 重要な貢献は、ネガティブなフィードバックだけで安定した学習を示すことです。
  論文  参考訳（メタデータ） (2024-10-05T14:04:03Z)
• Negative Sampling in Recommendation: A Survey and Future Directions [43.11318243903388]
  Recommender System (RS) は、大量のユーザの行動からパーソナライズされた好みを捉えることを目的としている。 ネガティブサンプリングは、ユーザの行動に固有の真のネガティブな側面を明らかにすることに熟練している。
  論文  参考訳（メタデータ） (2024-09-11T12:48:52Z)
• Beyond Thumbs Up/Down: Untangling Challenges of Fine-Grained Feedback for Text-to-Image Generation [67.88747330066049]
  きめ細かいフィードバックは、画像の品質と迅速な調整におけるニュアンスドの区別を捉えます。 粗いフィードバックに対する優位性を示すことは、自動ではないことを示す。 きめ細かいフィードバックを抽出し活用する上で重要な課題を特定します。
  論文  参考訳（メタデータ） (2024-06-24T17:19:34Z)
• Towards Unified Modeling for Positive and Negative Preferences in Sign-Aware Recommendation [13.300975621769396]
  textbfLight textbfSigned textbfGraph Convolution Network for textbfRecommendation (textbfLSGRec)を提案する。 高次不均一相互作用における負の選好について、一階の負の選好は負のリンクによって捕捉される。 推奨結果は肯定的な選好に基づいて生成され、負の選好で最適化される。
  論文  参考訳（メタデータ） (2024-03-13T05:00:42Z)
• Learning from Negative User Feedback and Measuring Responsiveness for Sequential Recommenders [13.762960304406016]
  シーケンシャルレコメンデータのトレーニング目標に、明示的かつ暗黙的なネガティブなユーザフィードバックを導入する。 大規模産業レコメンデーションシステムを用いた実演実験により,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-08-23T17:16:07Z)
• Generating Negative Samples for Sequential Recommendation [83.60655196391855]
  逐次レコメンデーション(SR)のための負のサンプル(イテム)を生成することを提案する。 アイテムに対する現在のSRモデルの学習されたユーザの好みに基づいて、各タイムステップで負の項目をサンプリングする。 4つの公開データセットの実験は、SRに高品質な負のサンプルを提供することの重要性を検証する。
  論文  参考訳（メタデータ） (2022-08-07T05:44:13Z)

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。