論文の概要: SeqUDA-Rec: Sequential User Behavior Enhanced Recommendation via Global Unsupervised Data Augmentation for Personalized Content Marketing

• arxiv url: http://arxiv.org/abs/2509.17361v1
• Date: Mon, 22 Sep 2025 05:24:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.233766
• Title: SeqUDA-Rec: Sequential User Behavior Enhanced Recommendation via Global Unsupervised Data Augmentation for Personalized Content Marketing
• Title（参考訳）: SeqUDA-Rec: パーソナライズされたコンテンツマーケティングのためのグローバルな教師なしデータ拡張による逐次ユーザ行動強化勧告
• Authors: Ruihan Luo, Xuanjing Chen, Ziyang Ding,
• Abstract要約: SeqUDA-Recは、ユーザ行動シーケンスとグローバルな教師なしデータ拡張を統合する、新しいディープラーニングフレームワークである。 NDCG@10が6.7%,HR@10が11.3%,パーソナライズされた広告とインテリジェントなコンテンツレコメンデーションが有効であった。
• 参考スコア（独自算出の注目度）: 0.08496348835248901
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Personalized content marketing has become a crucial strategy for digital platforms, aiming to deliver tailored advertisements and recommendations that match user preferences. Traditional recommendation systems often suffer from two limitations: (1) reliance on limited supervised signals derived from explicit user feedback, and (2) vulnerability to noisy or unintentional interactions. To address these challenges, we propose SeqUDA-Rec, a novel deep learning framework that integrates user behavior sequences with global unsupervised data augmentation to enhance recommendation accuracy and robustness. Our approach first constructs a Global User-Item Interaction Graph (GUIG) from all user behavior sequences, capturing both local and global item associations. Then, a graph contrastive learning module is applied to generate robust embeddings, while a sequential Transformer-based encoder models users' evolving preferences. To further enhance diversity and counteract sparse supervised labels, we employ a GAN-based augmentation strategy, generating plausible interaction patterns and supplementing training data. Extensive experiments on two real-world marketing datasets (Amazon Ads and TikTok Ad Clicks) demonstrate that SeqUDA-Rec significantly outperforms state-of-the-art baselines such as SASRec, BERT4Rec, and GCL4SR. Our model achieves a 6.7% improvement in NDCG@10 and 11.3% improvement in HR@10, proving its effectiveness in personalized advertising and intelligent content recommendation.
• Abstract（参考訳）: パーソナライズされたコンテンツマーケティングは、ユーザの好みに合わせてカスタマイズされた広告やレコメンデーションを提供することを目的として、デジタルプラットフォームにとって重要な戦略となっている。 従来のレコメンデーションシステムは、(1)明示的なユーザフィードバックから導かれる限られた教師付き信号への依存、(2)ノイズや意図しないインタラクションに対する脆弱性の2つの制限に悩まされている。 これらの課題に対処するために,ユーザ行動シーケンスとグローバルな教師なしデータ拡張を統合して,レコメンデーションの精度と堅牢性を向上する,新しいディープラーニングフレームワークであるSeqUDA-Recを提案する。 提案手法はまず,すべてのユーザ行動シーケンスからGUIG(Global User-Item Interaction Graph)を構築し,局所的およびグローバルなアイテム関連を抽出する。 次に、グラフコントラスト学習モジュールを適用して堅牢な埋め込みを生成する一方、シーケンシャルトランスフォーマーベースのエンコーダは、ユーザの進化する好みをモデル化する。 多様性のさらなる向上とスパース管理ラベルの対応のために,我々は,GANベースの拡張戦略を採用し,もっともらしいインタラクションパターンを生成し,トレーニングデータを補完する。 Amazon AdsとTikTok Ad Clicksの2つの実際のマーケティングデータセットに関する大規模な実験は、SeqUDA-RecがSASRec、BERT4Rec、GCL4SRといった最先端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。 NDCG@10が6.7%,HR@10が11.3%,パーソナライズされた広告とインテリジェントなコンテンツレコメンデーションが有効であった。

関連論文リスト

• OneRec-V2 Technical Report [93.91714323473678]
  OneRecは、自己回帰生成タスクとしてレコメンデーションを再構築し、高いモデルFLOPの利用を達成する。 Lazy Decoder-Only Architecture: エンコーダボトルネックを排除し、全体の計算を94%削減し、トレーニングリソースを90%削減する。 現実のユーザインタラクションによる優先度調整: ユーザの好みに合うように、継続意識のリワードシェイピングとアダプティブ比クリッピングを組み込む。
  論文  参考訳（メタデータ） (2025-08-28T15:29:51Z)
• RecGPT Technical Report [57.84251629878726]
  本稿では,レコメンデーションパイプラインの中心にユーザの意図を配置する次世代フレームワークRecGPTを提案する。 RecGPTは、大きな言語モデルをユーザ関心のマイニング、アイテム検索、説明生成のキーステージに統合する。 オンライン実験では、RecGPTが利害関係者間で一貫したパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-07-30T17:55:06Z)
• Enhancing and Scaling Search Query Datasets for Recommendation Systems [0.0]
  本稿では,デジタルバンキングにおける意図に基づくレコメンデーションシステムのための,検索クエリデータセットの強化と拡張を行う,実運用レベルのシステムを提案する。 提案システムは,Synthetic Query Generation,Intent Disambiguation,Intent Gap Analysisの3つのコアモジュールを統合する。 この研究は、現代のAI駆動アプリケーションにおける高品質でスケーラブルなデータの役割を強調し、価値の主要な要因としてデータ拡張に対する積極的なアプローチを提唱している。
  論文  参考訳（メタデータ） (2025-05-16T12:20:31Z)
• Multi-agents based User Values Mining for Recommendation [52.26100802380767]
  効率的なユーザ値抽出のためのゼロショットマルチLLM協調フレームワークを提案する。 本研究は,本質的な意味を保ちながら,項目内容のコンデンスにテキスト要約手法を適用した。 幻覚を緩和するために,評価役と監督役の2つの特殊エージェントの役割を導入する。
  論文  参考訳（メタデータ） (2025-05-02T04:01:31Z)
• Recommendation System in Advertising and Streaming Media: Unsupervised Data Enhancement Sequence Suggestions [2.9633211091806997]
  我々は,グラフの対照的な学習視点を取り入れた新しいフレームワークであるGlobal Unsupervised Data-Augmentation (UDA4SR)を導入し,シーケンシャルレコメンデーションのための堅牢なアイテム埋め込みを生成する。 当社のアプローチは,データ拡張のためのGAN(Generative Adrial Networks)の統合から始まり,トレーニングデータの多様性と豊かさを高めるための第一歩となる。 ユーザの動的かつ多様な関心をより効果的にモデル化するために,新しいターゲットアテンション機構を備えたCapsNetモジュールを改良する。
  論文  参考訳（メタデータ） (2025-03-23T06:30:48Z)
• Neural Graph Collaborative Filtering Using Variational Inference [19.80976833118502]
  本稿では,変分グラフオートエンコーダを用いて学習した表現を組み込む新しいフレームワークとして,変分埋め込み協調フィルタリング(GVECF)を導入する。 提案手法は,テストデータに対するリコールを最大13.78%改善する。
  論文  参考訳（メタデータ） (2023-11-20T15:01:33Z)
• APGL4SR: A Generic Framework with Adaptive and Personalized Global Collaborative Information in Sequential Recommendation [86.29366168836141]
  逐次推薦のための適応およびパーソナライズされたグラフ学習(APGL4SR)というグラフ駆動型フレームワークを提案する。 APGL4SRは、適応的でパーソナライズされたグローバルな協調情報をシーケンシャルレコメンデーションシステムに組み込む。 一般的なフレームワークとして、APGL4SRは大きなマージンを持つ他のベースラインよりも優れている。
  論文  参考訳（メタデータ） (2023-11-06T01:33:24Z)
• GUESR: A Global Unsupervised Data-Enhancement with Bucket-Cluster Sampling for Sequential Recommendation [58.6450834556133]
  本研究では,グローバルな視点から複雑な関連性を持つ項目表現を強化するために,グラフコントラスト学習を提案する。 本稿では,CapsNetモジュールを拡張したターゲットアテンション機構により,ユーザの動的嗜好を導出する。 提案したGUESRは,大幅な改善を達成できただけでなく,汎用的な拡張戦略ともみなすことができた。
  論文  参考訳（メタデータ） (2023-03-01T05:46:36Z)

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。