論文の概要: Enhancing Time Awareness in Generative Recommendation

• arxiv url: http://arxiv.org/abs/2509.13957v1
• Date: Wed, 17 Sep 2025 13:28:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-18 18:41:50.851382
• Title: Enhancing Time Awareness in Generative Recommendation
• Title（参考訳）: ジェネレーティブレコメンデーションにおける時間意識の向上
• Authors: Sunkyung Lee, Seongmin Park, Jonghyo Kim, Mincheol Yoon, Jongwuk Lee,
• Abstract要約: 我々は、時間認識(GRUT)を用いた新しいモデル、生成レコメンダを提案する。 まず2つの重要なコンテキストからなる時間認識型プロンプティングを紹介する。 また,トレンド認識推論(Trend-Aware Inference)も考案した。
• 参考スコア（独自算出の注目度）: 17.56475318032946
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Generative recommendation has emerged as a promising paradigm that formulates the recommendations into a text-to-text generation task, harnessing the vast knowledge of large language models. However, existing studies focus on considering the sequential order of items and neglect to handle the temporal dynamics across items, which can imply evolving user preferences. To address this limitation, we propose a novel model, Generative Recommender Using Time awareness (GRUT), effectively capturing hidden user preferences via various temporal signals. We first introduce Time-aware Prompting, consisting of two key contexts. The user-level temporal context models personalized temporal patterns across timestamps and time intervals, while the item-level transition context provides transition patterns across users. We also devise Trend-aware Inference, a training-free method that enhances rankings by incorporating trend information about items with generation likelihood. Extensive experiments demonstrate that GRUT outperforms state-of-the-art models, with gains of up to 15.4% and 14.3% in Recall@5 and NDCG@5 across four benchmark datasets. The source code is available at https://github.com/skleee/GRUT.
• Abstract（参考訳）: 生成的レコメンデーションは、提案をテキストからテキストへの生成タスクに定式化し、大きな言語モデルの膨大な知識を活用する、有望なパラダイムとして登場した。 しかし、既存の研究では、項目の順序を考慮し、項目間の時間的ダイナミクスを扱うことを無視することに焦点を当てており、これはユーザの好みを進化させる可能性がある。 この制限に対処するため,GRUT (Generative Recommender Using Time awareness) という新しいモデルを提案する。 まず2つの重要なコンテキストからなる時間認識型プロンプティングを紹介する。 ユーザレベルの時間的コンテキストモデルは、タイムスタンプと時間間隔をまたいだ時間的パターンをパーソナライズし、アイテムレベルの遷移コンテキストは、ユーザ間の遷移パターンを提供する。 また,トレンド認識推論(Trend-Aware Inference)も考案した。 GRUTは4つのベンチマークデータセットに対して、Recall@5とNDCG@5で最大15.4%、14.3%の上昇率で最先端モデルを上回っている。 ソースコードはhttps://github.com/skleee/GRUTで公開されている。

関連論文リスト

• DUALRec: A Hybrid Sequential and Language Model Framework for Context-Aware Movie Recommendation [6.850757447639822]
  近年,Large Language Models (LLM) は,その強力な意味理解と推論能力によって徐々に注目を集めている。 本稿では、LSTMネットワークの時間的モデリング能力と、微調整された大言語モデルの意味的推論能力を組み合わせたRec(Dynamic User-Aware Language-based Recommender)を提案する。
  論文  参考訳（メタデータ） (2025-07-18T14:22:05Z)
• Modeling the Heterogeneous Duration of User Interest in Time-Dependent Recommendation: A Hidden Semi-Markov Approach [11.392605386729699]
  ユーザの関心事の変化を追跡するために,隠れたセミマルコフモデルを提案する。 このモデルでは、(最近)関心のある状態に留まるユーザの異なる期間をキャプチャすることができる。 パラメータを推定し,ユーザの行動を予測するためのアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2024-12-15T09:17:45Z)
• Sequential Recommendation on Temporal Proximities with Contrastive Learning and Self-Attention [3.7182810519704095]
  逐次リコメンデータシステムは、過去のインタラクションからユーザの好みを識別し、後続の項目を最適に予測する。 最近のモデルでは、類似の時間枠中に暗黙的に発生するユーザの行動の類似性を無視することが多い。 本稿では,時間的近接性を考慮したコントラスト学習と自己認識手法を含む,TemProxRecという逐次レコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-02-15T08:33:16Z)
• Instructed Diffuser with Temporal Condition Guidance for Offline Reinforcement Learning [71.24316734338501]
  テンポラリ・コンポラブル・ディフューザ(TCD)を用いた実効時間条件拡散モデルを提案する。 TCDは、相互作用シーケンスから時間情報を抽出し、時間条件で生成を明示的にガイドする。 提案手法は,従来のSOTAベースラインと比較して最高の性能を達成または一致させる。
  論文  参考訳（メタデータ） (2023-06-08T02:12:26Z)
• 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)
• Improving Sequential Recommendations via Bidirectional Temporal Data Augmentation with Pre-training [46.5064172656298]
  プレトレーニングによる双方向時間データ拡張(BARec)について紹介する。 提案手法は, 双方向の時間的拡張と知識強化による微調整を活用して, 真正な擬似優先順位項目を合成する。 5つのベンチマークデータセットに関する包括的実験分析により、短いシーケンスと長いシーケンスコンテキストの両方において、BARecの優位性が確認された。
  論文  参考訳（メタデータ） (2021-12-13T07:33:28Z)
• Learning Dual Dynamic Representations on Time-Sliced User-Item Interaction Graphs for Sequential Recommendation [62.30552176649873]
  シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。 両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。 モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-09-24T07:44:27Z)
• Continuous-Time Sequential Recommendation with Temporal Graph Collaborative Transformer [69.0621959845251]
  本稿では,定義した連続時間二部グラフ上での時間グラフシーケンスレコメンダ(TGSRec)を提案する。 TCTレイヤは、ユーザとアイテムの両方からの協調的な信号を同時にキャプチャすると同時に、シーケンシャルパターン内の時間的ダイナミクスも考慮する。 5つのデータセットの実証結果は、TGSRecが他のベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-08-14T22:50:53Z)
• Sequential Recommender via Time-aware Attentive Memory Network [67.26862011527986]
  本稿では,注意機構と繰り返し単位を改善するための時間ゲーティング手法を提案する。 また,長期と短期の嗜好を統合するマルチホップ・タイムアウェア・アテンテーティブ・メモリ・ネットワークを提案する。 提案手法は,候補探索タスクに対してスケーラブルであり,ドット積に基づくTop-Kレコメンデーションのための潜在因数分解の非線形一般化とみなすことができる。
  論文  参考訳（メタデータ） (2020-05-18T11:29:38Z)

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。