論文の概要: A Self-Supervised Mixture-of-Experts Framework for Multi-behavior Recommendation

• arxiv url: http://arxiv.org/abs/2508.19507v2
• Date: Thu, 28 Aug 2025 01:05:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 11:47:01.203283
• Title: A Self-Supervised Mixture-of-Experts Framework for Multi-behavior Recommendation
• Title（参考訳）: マルチビヘイビア・レコメンデーションのためのセルフ・スーパービジョン・ミックス・オブ・エクササイズ・フレームワーク
• Authors: Kyungho Kim, Sunwoo Kim, Geon Lee, Kijung Shin,
• Abstract要約: 本稿では,eコマースのための新しいマルチビヘイビアレコメンデータシステムを提案する。 エキスパートがそれぞれ2つのアイテムタイプを推奨するように設計されている。 最高成績は65.46%で、Hit Ratio@20は最高成績である。
• 参考スコア（独自算出の注目度）: 40.823640493268634
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In e-commerce, where users face a vast array of possible item choices, recommender systems are vital for helping them discover suitable items they might otherwise overlook. While many recommender systems primarily rely on a user's purchase history, recent multi-behavior recommender systems incorporate various auxiliary user behaviors, such as item clicks and cart additions, to enhance recommendations. Despite their overall performance gains, their effectiveness varies considerably between visited items (i.e., those a user has interacted with through auxiliary behaviors) and unvisited items (i.e., those with which the user has had no such interactions). Specifically, our analysis reveals that (1) existing multi-behavior recommender systems exhibit a significant gap in recommendation quality between the two item types (visited and unvisited items) and (2) achieving strong performance on both types with a single model architecture remains challenging. To tackle these issues, we propose a novel multi-behavior recommender system, MEMBER. It employs a mixture-of-experts framework, with experts designed to recommend the two item types, respectively. Each expert is trained using a self-supervised method specialized for its design goal. In our comprehensive experiments, we show the effectiveness of MEMBER across both item types, achieving up to 65.46% performance gain over the best competitor in terms of Hit Ratio@20.
• Abstract（参考訳）: ユーザーがさまざまな選択肢に直面する電子商取引では、推奨システムは、見落としているかもしれない適切なアイテムを見つけるのを助けるために不可欠である。 多くのレコメンダシステムは、主にユーザの購入履歴に依存しているが、最近のマルチビヘイビアレコメンダシステムは、レコメンデーションを強化するために、アイテムクリックやカートの追加など、様々な補助的なユーザ動作を取り入れている。 全体的なパフォーマンス向上にもかかわらず、それらの有効性は、訪問したアイテム(例えば、ユーザが補助的な行動を通じて対話したアイテム)と、目に見えないアイテム(例えば、ユーザがそのようなインタラクションを持っていないもの)の間で大きく異なる。 具体的には,(1)既存のマルチビヘイビア・リコメンデータシステムでは,2つの項目タイプ(ビジターとビジターのない項目)間の推奨品質が著しく低下していること,(2)単一モデルアーキテクチャの両タイプで高い性能を達成することが依然として困難であることを,分析により明らかにした。 これらの課題に対処するために,新しいマルチ行動推薦システムMEMBERを提案する。 エキスパートがそれぞれ2つのアイテムタイプを推奨するように設計されている。 各専門家は、その設計目標に特化した自己監督的手法を使って訓練される。 総合的な実験では、両方のアイテムタイプにまたがるMEMBERの有効性を示し、Hit Ratio@20でベスト競争相手よりも65.46%のパフォーマンス向上を達成した。

関連論文リスト

• Multi-Interest Recommendation: A Survey [67.28277752101006]
  多目的レコメンデーションは、ユーザの過去のインタラクションから複数の関心表現を抽出するという課題に対処する。 推薦研究に広く関心を寄せている。 我々は,多目的レコメンデーションの進展,解決,課題,今後の方向性を体系的に検討する。
  論文  参考訳（メタデータ） (2025-06-18T09:05:32Z)
• Multi-Behavior Recommender Systems: A Survey [30.22869600008911]
  マルチビヘイビア・リコメンデータシステムは、多様なインタラクションを活用してレコメンデーション品質を高める。 提案手法の共通点と相違点に基づいて,既存のマルチビヘイビアレコメンデータシステムを体系的に分類する。 我々は,多行動レコメンデータシステムの推進に向けた将来的な方向性について論じる。
  論文  参考訳（メタデータ） (2025-03-10T06:22:37Z)
• Why Not Together? A Multiple-Round Recommender System for Queries and Items [37.709748983831034]
  推薦システムの基本的な技術は、ユーザの嗜好をモデル化することであり、クエリや項目がユーザ関心の象徴的な表現として広く使われている。 両タイプの相乗効果を生かしたMultiple-round Auto Guess-and-Update System(MAGUS)を提案する。
  論文  参考訳（メタデータ） (2024-12-14T10:49:00Z)
• Relevance meets Diversity: A User-Centric Framework for Knowledge Exploration through Recommendations [15.143224593682012]
  本稿では,コプラ関数による妥当性と多様性を組み合わせた新しいレコメンデーション戦略を提案する。 我々は,システムと対話しながらユーザから得た知識量のサロゲートとして多様性を利用する。 我々の戦略は、最先端のライバル数社を上回っている。
  論文  参考訳（メタデータ） (2024-08-07T13:48:24Z)
• User-Creator Feature Polarization in Recommender Systems with Dual Influence [19.506536850645343]
  推薦システムは、関連コンテンツをユーザに提示し、コンテンツクリエーターがターゲットのオーディエンスに到達するのを助けるという2つの目的を提供します。 我々は,レコメンデータシステムの二重影響を捉えるために,ユーザ・クリエータ機能ダイナミクスと呼ばれるモデルを定義した。 我々は,理論上も実証上も,レコメンダシステムにおける偏光緩和と多様性向上のためのアプローチについて検討する。
  論文  参考訳（メタデータ） (2024-07-19T07:58:26Z)
• Knowledge Enhancement for Multi-Behavior Contrastive Recommendation [39.50243004656453]
  本稿では,KMCLR(Knowledge Enhancement Multi-Behavior Contrastive Learning Recommendation)フレームワークを提案する。 本研究では,ユーザのパーソナライズされた行動情報を抽出し,ユーザ埋め込み強化のためのマルチ行動学習モジュールを設計する。 最適化段階では、粗粒度共通性とユーザの複数行動間の微粒度差をモデル化し、推奨効果をさらに改善する。
  論文  参考訳（メタデータ） (2023-01-13T06:24:33Z)
• ItemSage: Learning Product Embeddings for Shopping Recommendations at Pinterest [60.841761065439414]
  Pinterestでは、ItemSageと呼ばれるプロダクトの埋め込みセットを構築して、すべてのショッピングユースケースに適切なレコメンデーションを提供しています。 このアプローチによって、エンゲージメントとコンバージョンメトリクスが大幅に改善され、インフラストラクチャとメンテナンスコストの両方が削減された。
  論文  参考訳（メタデータ） (2022-05-24T02:28:58Z)
• 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)
• On component interactions in two-stage recommender systems [82.38014314502861]
  2段階のレコメンデータは、YouTube、LinkedIn、Pinterestなど、多くのオンラインプラットフォームで使用されている。 ランク付け器と評価器の相互作用が全体の性能に大きく影響していることが示される。 特に、Mixture-of-Expertsアプローチを用いて、アイテムプールの異なるサブセットに特化するように、ノミネータを訓練する。
  論文  参考訳（メタデータ） (2021-06-28T20:53:23Z)
• 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。