論文の概要: Rethinking Purity and Diversity in Multi-Behavior Sequential Recommendation from the Frequency Perspective

• arxiv url: http://arxiv.org/abs/2508.20427v1
• Date: Thu, 28 Aug 2025 04:55:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:02.034255
• Title: Rethinking Purity and Diversity in Multi-Behavior Sequential Recommendation from the Frequency Perspective
• Title（参考訳）: 周波数から見た多行動シーケンスレコメンデーションにおける純度と多様性の再考
• Authors: Yongqiang Han, Kai Cheng, Kefan Wang, Enhong Chen,
• Abstract要約: レコメンデーションシステムでは、ユーザーはブラウジング、クリック、購入などの複数の行動を示すことが多い。 いくつかの行動データは、ユーザー興味のモデリングにも避けられないノイズをもたらします。 これらの研究は、低周波情報は価値があり信頼性が高い傾向にあり、高周波情報はしばしばノイズと関連していることを示している。
• 参考スコア（独自算出の注目度）: 48.60281642851056
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recommendation systems, users often exhibit multiple behaviors, such as browsing, clicking, and purchasing. Multi-behavior sequential recommendation (MBSR) aims to consider these different behaviors in an integrated manner to improve the recommendation performance of the target behavior. However, some behavior data will also bring inevitable noise to the modeling of user interests. Some research efforts focus on data denoising from the frequency domain perspective to improve the accuracy of user preference prediction. These studies indicate that low-frequency information tends to be valuable and reliable, while high-frequency information is often associated with noise. In this paper, we argue that high-frequency information is by no means insignificant. Further experimental results highlight that low frequency corresponds to the purity of user interests, while high frequency corresponds to the diversity of user interests. Building upon this finding, we proposed our model PDB4Rec, which efficiently extracts information across various frequency bands and their relationships, and introduces Boostrapping Balancer mechanism to balance their contributions for improved recommendation performance. Sufficient experiments on real-world datasets demonstrate the effectiveness and efficiency of our model.
• Abstract（参考訳）: レコメンデーションシステムでは、ユーザーはブラウジング、クリック、購入などの複数の行動を示すことが多い。 マルチビヘイビアシーケンシャルレコメンデーション(MBSR)は,対象行動のレコメンデーション性能を改善するために,これらの振る舞いを統合的に検討することを目的としている。 しかし、いくつかの行動データはユーザー関心のモデリングに避けられないノイズをもたらす。 いくつかの研究は、ユーザの嗜好予測の正確性を改善するために、周波数領域の観点からデータに重点を置いている。 これらの研究は、低周波情報は価値があり信頼性が高い傾向にあり、高周波情報はしばしばノイズと関連していることを示している。 本稿では、高周波情報は決して重要ではないと論じる。 さらに,低周波はユーザ関心の純度に対応し,高周波はユーザ関心の多様性に対応していることが明らかとなった。 そこで本研究では,様々な周波数帯域とその関係を効率よく抽出するPDB4Recモデルを提案し,提案手法の信頼性向上に寄与するBoostrapping Balancer機構を提案する。 実世界のデータセットに関する十分な実験は、我々のモデルの有効性と効率を実証する。

関連論文リスト

• Multi-Modal Multi-Behavior Sequential Recommendation with Conditional Diffusion-Based Feature Denoising [1.4207530018625354]
  本稿では,マルチモーダルマルチビヘイビアシーケンシャルレコメンデーションの問題に焦点をあてる。 マルチモーダルマルチビヘイビアシーケンスレコメンデーションモデル(M$3$BSR)を提案する。 実験結果から,M$3$BSRはベンチマークデータセット上で既存の最先端手法を著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2025-08-07T12:58:34Z)
• Shapley Value-driven Data Pruning for Recommender Systems [6.170723867840994]
  共有価値駆動評価(Shapley Value-Driven Valuation, SVV)は、モデルトレーニングに対する客観的な影響に基づいてインタラクションを評価するフレームワークである。 SVVは、高い値との相互作用を強調しながら、低い値を下書きし、レコメンダシステムに効果的なデータプルーニングを実現する。 4つの実世界のデータセットでの実験では、SVVは精度とロバスト性の両方で既存のデノナイジング手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-05-28T07:27:59Z)
• Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
  クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。 近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。 マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
  論文  参考訳（メタデータ） (2024-11-22T15:29:05Z)
• Revisiting BPR: A Replicability Study of a Common Recommender System Baseline [78.00363373925758]
  我々は,BPRモデルの特徴を考察し,その性能への影響を示し,オープンソースのBPR実装について検討する。 分析の結果,これらの実装とオリジナルのBPR論文の矛盾が明らかとなり,特定の実装に対して最大50%の性能低下がみられた。 BPRモデルは、トップnのレコメンデーションタスクにおける最先端メソッドに近いパフォーマンスレベルを達成でき、特定のデータセット上でもパフォーマンスが向上することを示す。
  論文  参考訳（メタデータ） (2024-09-21T18:39:53Z)
• UniRec: A Dual Enhancement of Uniformity and Frequency in Sequential Recommendations [13.654819858917332]
  新たな双方向拡張シーケンシャルレコメンデーション手法であるUniRecを提案する。 UniRecは、一様でないシーケンスと少ない頻度のアイテムの表現を改善している。 我々の知る限り、UniRecは特徴増強のための均一性と周波数の特性を利用する最初の方法である。
  論文  参考訳（メタデータ） (2024-06-26T16:28:24Z)
• Towards Building More Robust Models with Frequency Bias [8.510441741759758]
  本稿では,中間特徴表現の低周波成分と高周波成分を適応的に再構成するプラグイン・アンド・プレイ・モジュールを提案する。 実験により,提案するモジュールは,任意の対戦型トレーニングフレームワークに容易に組み込むことができることが示された。
  論文  参考訳（メタデータ） (2023-07-19T05:46:56Z)
• Probabilistic and Variational Recommendation Denoising [56.879165033014026]
  暗黙のフィードバックから学ぶことは、推奨システムの適用において最も一般的なケースの1つである。 本稿では,暗黙のフィードバックに対する確率的・変動的推薦を提案する。 提案したDPIとDVAEを4つの最先端レコメンデーションモデルに適用し、3つのデータセットで実験を行う。
  論文  参考訳（メタデータ） (2021-05-20T08:59:44Z)

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。