論文の概要: Adaptive User Interest Modeling via Conditioned Denoising Diffusion For Click-Through Rate Prediction

• arxiv url: http://arxiv.org/abs/2509.19876v1
• Date: Wed, 24 Sep 2025 08:28:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.735159
• Title: Adaptive User Interest Modeling via Conditioned Denoising Diffusion For Click-Through Rate Prediction
• Title（参考訳）: クリックスルーレート予測のための条件付きDenoising Diffusionによる適応的ユーザ興味モデリング
• Authors: Qihang Zhao, Xiaoyang Zheng, Ben Chen, Zhongbo Sun, Chenyi Lei,
• Abstract要約: 検索システムのユーザー行動シーケンスは「興味ある化石」に似ており、露出バイアス、カテゴリードリフト、文脈ノイズによって侵食された真の意図を捉えている。 本稿では,この問題を解決するための文脈拡散(CDP)を提案する。 CDPは、シナリオで動的に進化する純粋でコンテキスト対応の関心表現を生成する。
• 参考スコア（独自算出の注目度）: 13.938884910748584
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: User behavior sequences in search systems resemble "interest fossils", capturing genuine intent yet eroded by exposure bias, category drift, and contextual noise. Current methods predominantly follow an "identify-aggregate" paradigm, assuming sequences immutably reflect user preferences while overlooking the organic entanglement of noise and genuine interest. Moreover, they output static, context-agnostic representations, failing to adapt to dynamic intent shifts under varying Query-User-Item-Context conditions. To resolve this dual challenge, we propose the Contextual Diffusion Purifier (CDP). By treating category-filtered behaviors as "contaminated observations", CDP employs a forward noising and conditional reverse denoising process guided by cross-interaction features (Query x User x Item x Context), controllably generating pure, context-aware interest representations that dynamically evolve with scenarios. Extensive offline/online experiments demonstrate the superiority of CDP over state-of-the-art methods.
• Abstract（参考訳）: 検索システムのユーザー行動シーケンスは「興味ある化石」に似ており、露出バイアス、カテゴリードリフト、文脈ノイズによって侵食された真の意図を捉えている。 現在の手法は主に「識別集約」パラダイムに従っており、ノイズと真の関心の有機的絡み合いを乗り越えながら、シーケンスがユーザー好みを不変に反映していると仮定している。 さらに、静的でコンテキストに依存しない表現を出力し、クエリ-User-Item-Context条件の異なる動的インテントシフトに適応できない。 この2つの課題を解決するために, 文脈拡散浄化器 (CDP) を提案する。 カテゴリフィルタリングの振る舞いを"汚染された観察"として扱うことで、CDPは、クロスインタラクション機能(Query x User x Item x Context)によってガイドされるフォワードノーミングと条件付きリバースデノゲーションプロセスを採用し、シナリオで動的に進化する純粋でコンテキスト対応の関心表現を制御的に生成する。 大規模なオフライン/オンライン実験は、最先端の手法よりもCDPの方が優れていることを示す。

関連論文リスト

• DiffusionGS: Generative Search with Query Conditioned Diffusion in Kuaishou [20.440076123934684]
  生成モデルを利用した新しいスケーラブルなアプローチであるDiffusionGSを提案する。 我々は、ユーザのクエリが条件拡散過程を案内する条件記述タスクとして、関心抽出を定式化する。 本稿では,ユーザの過去の行動に対する注意分布の最適化にユーザ固有のプロファイルを組み込むためのユーザ認識Denoising Layer (UDL)を提案する。
  論文  参考訳（メタデータ） (2025-08-25T07:46:51Z)
• Breaking Determinism: Fuzzy Modeling of Sequential Recommendation Using Discrete State Space Diffusion Model [66.91323540178739]
  シークエンシャルレコメンデーション(SR)は、ユーザーが過去の行動に基づいて興味を持つかもしれない項目を予測することを目的としている。 我々はSRを新しい情報理論の観点から再検討し、逐次モデリング手法がユーザの行動のランダム性と予測不可能性を適切に把握できないことを発見した。 ファジィ情報処理理論に触発された本論文では,制限を克服し,ユーザの関心事の進化をよりよく捉えるために,ファジィなインタラクションシーケンスの組を導入する。
  論文  参考訳（メタデータ） (2024-10-31T14:52:01Z)
• Dual Conditional Diffusion Models for Sequential Recommendation [63.82152785755723]
  シーケンスレコメンデーションのための二重条件拡散モデル(DCRec)を提案する。 DCRecは2つの条件を前と逆の拡散プロセスに埋め込むことで暗黙的および明示的な情報を統合する。 これによってモデルは、明示的なユーザ-イテムインタラクションを活用してレコメンデーションプロセスをガイドしながら、価値あるシーケンシャルおよびコンテキスト情報を保持することができる。
  論文  参考訳（メタデータ） (2024-10-29T11:51:06Z)
• DiffATR: Diffusion-based Generative Modeling for Audio-Text Retrieval [49.076590578101985]
  ノイズから関節分布を生成する拡散型ATRフレームワーク(DiffATR)を提案する。 優れたパフォーマンスを持つAudioCapsとClothoデータセットの実験は、我々のアプローチの有効性を検証する。
  論文  参考訳（メタデータ） (2024-09-16T06:33:26Z)
• DiffSED: Sound Event Detection with Denoising Diffusion [70.18051526555512]
  生成学習の観点からSED問題を再構築する。 具体的には,騒音拡散過程において,雑音のある提案から音の時間境界を生成することを目的としている。 トレーニング中は,ノイズの多い遅延クエリを基本バージョンに変換することで,ノイズ発生過程の逆転を学習する。
  論文  参考訳（メタデータ） (2023-08-14T17:29:41Z)

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。