論文の概要: From Past To Path: Masked History Learning for Next-Item Prediction in Generative Recommendation

• arxiv url: http://arxiv.org/abs/2509.23649v1
• Date: Sun, 28 Sep 2025 05:22:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.350665
• Title: From Past To Path: Masked History Learning for Next-Item Prediction in Generative Recommendation
• Title（参考訳）: 過去から過去へ:生成レコメンデーションにおける次の項目予測のための仮面履歴学習
• Authors: KaiWen Wei, Kejun He, Xiaomian Kang, Jie Zhang, Yuming Yang, Jiang Zhong, He Bai, Junnan Zhu,
• Abstract要約: Masked History Learning (MHL) は、単純な次のステップの予測から歴史の深い理解へと目標をシフトする、新しいトレーニングフレームワークである。 MHLは、マスクされた歴史的なアイテムを再構築する補助的なタスクで、標準的な自己回帰目標を増強する。 3つの公開データセットの実験により、我々の手法は最先端の生成モデルよりも著しく優れていることが示された。
• 参考スコア（独自算出の注目度）: 25.25652053392233
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative recommendation, which directly generates item identifiers, has emerged as a promising paradigm for recommendation systems. However, its potential is fundamentally constrained by the reliance on purely autoregressive training. This approach focuses solely on predicting the next item while ignoring the rich internal structure of a user's interaction history, thus failing to grasp the underlying intent. To address this limitation, we propose Masked History Learning (MHL), a novel training framework that shifts the objective from simple next-step prediction to deep comprehension of history. MHL augments the standard autoregressive objective with an auxiliary task of reconstructing masked historical items, compelling the model to understand ``why'' an item path is formed from the user's past behaviors, rather than just ``what'' item comes next. We introduce two key contributions to enhance this framework: (1) an entropy-guided masking policy that intelligently targets the most informative historical items for reconstruction, and (2) a curriculum learning scheduler that progressively transitions from history reconstruction to future prediction. Experiments on three public datasets show that our method significantly outperforms state-of-the-art generative models, highlighting that a comprehensive understanding of the past is crucial for accurately predicting a user's future path. The code will be released to the public.
• Abstract（参考訳）: アイテム識別子を直接生成するジェネレーティブレコメンデーションは、レコメンデーションシステムにとって有望なパラダイムとして登場した。 しかし、その潜在能力は、純粋に自己回帰的な訓練に依存しているため、基本的に制限されている。 このアプローチは、ユーザのインタラクション履歴の豊富な内部構造を無視しながら、次の項目を予測することに集中する。 この制限に対処するため、我々は、単純な次のステップ予測から歴史の深い理解へと目標をシフトさせる新しいトレーニングフレームワークであるMasked History Learning (MHL)を提案する。 MHLは、マスクされた履歴項目を再構築する補助的なタスクで標準的な自己回帰的目的を増強し、‘What’項目が次に来るのではなく、ユーザの過去の振る舞いから‘hy’という項目パスが形成されることをモデルに理解させる。 この枠組みを強化するための2つの重要な貢献点を紹介する。(1) エントロピー誘導型マスキングポリシーは、再建のための最も情報に富む歴史的項目を知的にターゲットし、(2) 歴史復興から将来の予測へと徐々に移行していくカリキュラム学習スケジューラである。 3つの公開データセットの実験により、我々の手法は最先端の生成モデルを大幅に上回っており、過去の包括的理解がユーザの将来の経路を正確に予測する上で不可欠であることを強調した。 コードは一般に公開される。

関連論文リスト

• Bridge the Gap between Past and Future: Siamese Model Optimization for Context-Aware Document Ranking [27.82131411594034]
  セッションコンテキストを活用することは、ユーザの検索意図とドキュメントのランキングを推測する上で有益であることが証明されている。 これらの進歩にもかかわらず、ユーザ意図の進化を捉えるための歴史的なセッションデータの制限は依然として課題である。 本稿では,履歴条件付きモデルと将来意識型モデルからなるシアムモデル最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-20T10:36:25Z)
• Slow Thinking for Sequential Recommendation [88.46598279655575]
  本稿では,STREAM-Recという新しいスローシンキングレコメンデーションモデルを提案する。 弊社のアプローチは、過去のユーザの振る舞いを分析し、多段階の熟考的推論プロセスを生成し、パーソナライズされたレコメンデーションを提供する。 具体的には,(1)レコメンデーションシステムにおける適切な推論パターンを特定すること,(2)従来のレコメンデーションシステムの推論能力を効果的に刺激する方法を検討すること,の2つの課題に焦点を当てる。
  論文  参考訳（メタデータ） (2025-04-13T15:53:30Z)
• Dense Policy: Bidirectional Autoregressive Learning of Actions [51.60428100831717]
  本稿では,行動予測における自己回帰的政策の新たなパラダイムを確立するために,Dense Policyと呼ばれる双方向拡張学習手法を提案する。 軽量なエンコーダのみのアーキテクチャを使用して、アクションシーケンスを初期単一フレームからターゲットシーケンスへ粗い方法で反復的に展開する。 実験により、我々の密集した政策は自己回帰学習能力に優れており、既存の全体的生成ポリシーを超越できることが示された。
  論文  参考訳（メタデータ） (2025-03-17T14:28:08Z)
• Generative Regression Based Watch Time Prediction for Short-Video Recommendation [36.95095097454143]
  短いビデオレコメンデーションシステムでは、時計の時間予測が重要なタスクとして現れている。 最近の研究は、連続時計時間推定を正規回帰タスクに変換することによって、これらの問題に対処しようとしている。 本稿では,WTPをシーケンス生成タスクとして再構成する新しい生成回帰(GR)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-28T16:48:55Z)
• Active Exploration via Autoregressive Generation of Missing Data [11.713451719120707]
  自己回帰シーケンスモデルからのトレーニングと生成の問題として,オンライン意思決定において不確実な定量化と探索を行う。 われわれのアプローチは、適切な行動選択によって明らかになるであろう将来の成果の欠如から生じる不確実性に頼っている。
  論文  参考訳（メタデータ） (2024-05-29T19:24:44Z)
• Look into the Future: Deep Contextualized Sequential Recommendation [28.726897673576865]
  我々は、Look into the Future(LIFT)と呼ばれる、シーケンシャルなレコメンデーションの新しいフレームワークを提案する。 LIFTはシーケンシャルなレコメンデーションのコンテキストを構築し、活用する。 本実験では,クリックスルー率予測および評価予測タスクにおいて,LIFTは大幅な性能向上を実現している。
  論文  参考訳（メタデータ） (2024-05-23T09:34:28Z)
• Continual Zero-Shot Learning through Semantically Guided Generative Random Walks [56.65465792750822]
  生成モデルを利用して、学習中に見えない情報が提供されない連続ゼロショット学習の課題に対処する。 本稿では,新しい意味誘導型生成ランダムウォーク(GRW)損失を用いた学習アルゴリズムを提案する。 提案アルゴリズムは,AWA1,AWA2,CUB,SUNデータセットの最先端性能を達成し,既存のCZSL手法を3～7%上回る結果を得た。
  論文  参考訳（メタデータ） (2023-08-23T18:10:12Z)
• Learning to Rank in Generative Retrieval [62.91492903161522]
  生成的検索は、検索対象として関連する通路の識別子文字列を生成することを目的としている。 我々はLTRGRと呼ばれる生成検索のための学習 torankフレームワークを提案する。 このフレームワークは、現在の生成的検索システムを強化するために、追加の学習からランクまでのトレーニングフェーズのみを必要とする。
  論文  参考訳（メタデータ） (2023-06-27T05:48:14Z)
• Towards Out-of-Distribution Sequential Event Prediction: A Causal Treatment [72.50906475214457]
  シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。 実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。 文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-24T07:54:13Z)
• Value-driven Hindsight Modelling [68.658900923595]
  値推定は強化学習(RL)パラダイムの重要な構成要素である。 モデル学習は、観測系列に存在する豊富な遷移構造を利用することができるが、このアプローチは通常、報酬関数に敏感ではない。 この2つの極点の間に位置するRLにおける表現学習のアプローチを開発する。 これにより、タスクに直接関連し、値関数の学習を加速できる、抽出可能な予測ターゲットが提供される。
  論文  参考訳（メタデータ） (2020-02-19T18:10:20Z)

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。