論文の概要: Similarity-Based Supervised User Session Segmentation Method for Behavior Logs

• arxiv url: http://arxiv.org/abs/2508.16106v1
• Date: Fri, 22 Aug 2025 05:47:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 16:42:36.260314
• Title: Similarity-Based Supervised User Session Segmentation Method for Behavior Logs
• Title（参考訳）: 類似度に基づく行動ログのユーザセッション分割法
• Authors: Yongzhi Jin, Kazushi Okamoto, Kei Harada, Atsushi Shibata, Koki Karube,
• Abstract要約: セッションは特定の時間枠内でのユーザーアクションのシーケンスを指す。 セッションベースのレコメンデーションシステムは、短期的な嗜好を捉え、関連するレコメンデーションを生成することを目的としている。 動作埋め込みと属性から導出した類似性特徴に基づく教師付きセッションセグメンテーション手法を提案する。
• 参考スコア（独自算出の注目度）: 0.6524460254566904
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In information recommendation, a session refers to a sequence of user actions within a specific time frame. Session-based recommender systems aim to capture short-term preferences and generate relevant recommendations. However, user interests may shift even within a session, making appropriate segmentation essential for modeling dynamic behaviors. In this study, we propose a supervised session segmentation method based on similarity features derived from action embeddings and attributes. We compute the similarity scores between items within a fixed-size window around each candidate segmentation point, using four types of features: item co-occurrence embeddings, text embeddings of titles and brands, and price. These features are used to train supervised classifiers (LightGBM, XGBoost, CatBoost, support vector machine, and logistic regression) to predict the session boundaries. We construct a manually annotated dataset from real user browsing histories and evaluate the segmentation performance using F1-score, area under the precision-recall curve (PR-AUC), and area under the receiver operating characteristic curve. The LightGBM model achieves the best performance, with an F1-score of 0.806 and a PR-AUC of 0.831. These results demonstrate the effectiveness of the proposed method for session segmentation and its potential to capture dynamic user behaviors.
• Abstract（参考訳）: 情報レコメンデーションでは、セッションは特定の時間枠内でのユーザーアクションのシーケンスを指す。 セッションベースのレコメンデーションシステムは、短期的な嗜好を捉え、関連するレコメンデーションを生成することを目的としている。 しかし、ユーザーの興味はセッション内でも変化し、動的な振る舞いをモデル化するためには適切なセグメンテーションが不可欠である。 本研究では,アクション埋め込みと属性から導出した類似性特徴に基づくセッションセグメンテーション手法を提案する。 候補セグメンテーションポイントの周囲の固定サイズウィンドウ内の項目間の類似度スコアを,項目共起埋め込み,タイトルとブランドのテキスト埋め込み,価格の4種類を用いて計算する。 これらの機能は、セッション境界を予測するために教師付き分類器(LightGBM、XGBoost、CatBoost、サポートベクタマシン、ロジスティック回帰)をトレーニングするために使用される。 実際のユーザ閲覧履歴から手動で注釈付きデータセットを構築し,F1スコア,高精度リコール曲線(PR-AUC)の領域,受信機動作特性曲線の領域を用いてセグメンテーション性能を評価する。 LightGBMモデルは、F1スコア0.806、PR-AUC0.831で最高のパフォーマンスを達成する。 これらの結果は,セッションセグメンテーションにおける提案手法の有効性と動的ユーザ行動のキャプチャの可能性を示すものである。

関連論文リスト

• SessionIntentBench: A Multi-task Inter-session Intention-shift Modeling Benchmark for E-commerce Customer Behavior Understanding [64.45047674586671]
  本稿では,意図木の概念を導入し,データセットキュレーションパイプラインを提案する。 我々は,L(V)LMsのセッション間意図シフト理解能力を評価するマルチモーダルベンチマークSessionIntentBenchを構築した。 1,952,177の意図的エントリ,1,132,145のセッション意図軌跡,および10,905のセッションを使用してマイニングされた13,003,664のタスクにより,既存のセッションデータを活用可能なスケーラブルな方法を提供する。
  論文  参考訳（メタデータ） (2025-07-27T09:04:17Z)
• TETRIS: Towards Exploring the Robustness of Interactive Segmentation [39.1981941213761]
  対話型セグメンテーションモデルに対するホワイトボックス逆攻撃において, 直接最適化により極端なユーザ入力を見つける手法を提案する。 本報告では,多数のモデルについて広範囲な評価を行った結果について報告する。
  論文  参考訳（メタデータ） (2024-02-09T01:36:21Z)
• Enhancing User Intent Capture in Session-Based Recommendation with Attribute Patterns [77.19390850643944]
  周波数属性パターン拡張変換器(FAPAT)を提案する。 FAPATは属性遷移グラフと一致する属性パターンを構築することで、ユーザの意図を特徴づける。 FAPATは、様々な評価指標に対して平均4.5%の最先端手法を一貫して上回っていることを実証する。
  論文  参考訳（メタデータ） (2023-12-23T03:28:18Z)
• Deep Group Interest Modeling of Full Lifelong User Behaviors for CTR Prediction [32.35797628133921]
  Deep Group Interest Network (DGIN) は、ユーザーの行動履歴をモデル化するエンド・ツー・エンドの手法である。 DGINグルーピングはO(104)からO(102)までの行動長を著しく減少させる 我々は、生涯の行動シーケンスから、同じ項目_idと候補項目を共有する行動のサブセットを同定する。
  論文  参考訳（メタデータ） (2023-11-15T06:36:11Z)
• Meta-Wrapper: Differentiable Wrapping Operator for User Interest Selection in CTR Prediction [97.99938802797377]
  クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。 近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。 そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T03:28:15Z)
• Modeling Dynamic User Preference via Dictionary Learning for Sequential Recommendation [133.8758914874593]
  ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。 浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。 本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
  論文  参考訳（メタデータ） (2022-04-02T03:23:46Z)
• TEA: A Sequential Recommendation Framework via Temporally Evolving Aggregations [12.626079984394766]
  動的ユーザ・イテム不均質グラフに基づく新しいシーケンシャル・レコメンデーション・フレームワークを提案する。 条件付き乱数場を利用して不均一なグラフとユーザ動作を集約し,確率推定を行う。 提案したフレームワークのスケーラブルで柔軟な実装を提供しています。
  論文  参考訳（メタデータ） (2021-11-14T15:54:23Z)
• Target-Aware Object Discovery and Association for Unsupervised Video Multi-Object Segmentation [79.6596425920849]
  本稿では,教師なしビデオマルチオブジェクトセグメンテーションの課題について述べる。 より正確で効率的な時間区分のための新しいアプローチを紹介します。 DAVIS$_17$とYouTube-VISに対する提案手法を評価した結果,セグメント化精度と推論速度の両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-04-10T14:39:44Z)
• TAGNN: Target Attentive Graph Neural Networks for Session-based Recommendation [66.04457457299218]
  セッションベースレコメンデーションのための新しいターゲット注意グラフニューラルネットワーク(TAGNN)モデルを提案する。 TAGNNでは、ターゲット・アウェア・アテンションは、様々なターゲット項目に関して異なるユーザ関心を適応的に活性化する。 学習した関心表現ベクトルは、異なる対象項目によって変化し、モデルの表現性を大幅に改善する。
  論文  参考訳（メタデータ） (2020-05-06T14:17:05Z)

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。