論文の概要: HiFIRec: Towards High-Frequency yet Low-Intention Behaviors for Multi-Behavior Recommendation

• arxiv url: http://arxiv.org/abs/2509.25755v1
• Date: Tue, 30 Sep 2025 04:20:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 14:45:00.013192
• Title: HiFIRec: Towards High-Frequency yet Low-Intention Behaviors for Multi-Behavior Recommendation
• Title（参考訳）: HiFIRec: マルチビヘイビアレコメンデーションのための高周波かつ低インテンション動作を目指して
• Authors: Ruiqi Luo, Ran Jin, Zhenglong Li, Kaixi Hu, Xiaohui Tao, Lin Li,
• Abstract要約: HiFIRecは、新しいマルチ行動レコメンデーション手法である。 差動挙動モデリングにより,高周波かつ低意図動作の効果を補正する。 2つのベンチマークの実験では、HiFIRecはいくつかの最先端手法に比べてHR@10を4.21%-6.81%改善している。
• 参考スコア（独自算出の注目度）: 10.558247582357783
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-behavior recommendation leverages multiple types of user-item interactions to address data sparsity and cold-start issues, providing personalized services in domains such as healthcare and e-commerce. Most existing methods utilize graph neural networks to model user intention in a unified manner, which inadequately considers the heterogeneity across different behaviors. Especially, high-frequency yet low-intention behaviors may implicitly contain noisy signals, and frequent patterns that are plausible while misleading, thereby hindering the learning of user intentions. To this end, this paper proposes a novel multi-behavior recommendation method, HiFIRec, that corrects the effect of high-frequency yet low-intention behaviors by differential behavior modeling. To revise the noisy signals, we hierarchically suppress it across layers by extracting neighborhood information through layer-wise neighborhood aggregation and further capturing user intentions through adaptive cross-layer feature fusion. To correct plausible frequent patterns, we propose an intensity-aware non-sampling strategy that dynamically adjusts the weights of negative samples. Extensive experiments on two benchmarks show that HiFIRec relatively improves HR@10 by 4.21%-6.81% over several state-of-the-art methods.
• Abstract（参考訳）: マルチビヘイビアレコメンデーションは、複数のタイプのユーザとテムのインタラクションを活用して、データの分散性とコールドスタートの問題に対処し、ヘルスケアやeコマースなどのドメインでパーソナライズされたサービスを提供する。 既存のほとんどの手法では、ユーザ意図を統一的にモデル化するためにグラフニューラルネットワークを使用しており、異なる振る舞いをまたいだ不均一性を不適切に考慮している。 特に、高周波で低インテンションな振る舞いは、暗黙的にノイズのある信号と、誤解を招きやすい頻繁なパターンを含んでいるため、ユーザの意図の学習を妨げる可能性がある。 そこで本研究では,高頻度かつ低インテンション動作の効果を差動挙動モデリングにより補正する,新しいマルチビヘイビアレコメンデーション手法であるHiFIRecを提案する。 ノイズ信号を再検討するために、階層的に階層的に、階層的な近傍情報抽出と、適応的な層間特徴融合によるユーザ意図の捕捉により、階層的にそれを抑圧する。 そこで本研究では, 負のサンプルの重みを動的に調整する, 強度を考慮した非サンプリング手法を提案する。 2つのベンチマークにおいて、HiFIRecはいくつかの最先端手法に比べてHR@10を4.21%-6.81%改善した。

関連論文リスト

• Rethinking Purity and Diversity in Multi-Behavior Sequential Recommendation from the Frequency Perspective [48.60281642851056]
  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。
  論文  参考訳（メタデータ） (2025-08-28T04:55:02Z)
• 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)
• Hierarchical Graph Information Bottleneck for Multi-Behavior Recommendation [31.495904374599533]
  本稿では,マルチビヘイビアレコメンデーションのためのモデルに依存しない階層型グラフ情報ボトルネック(HGIB)フレームワークを提案する。 本フレームワークは,目標行動予測に不可欠な情報を保持するコンパクトかつ十分な表現の学習を最適化する。 実世界の3つの公開データセットに関する総合的な実験を行い、フレームワークの有効性を実証した。
  論文  参考訳（メタデータ） (2025-07-21T08:53:49Z)
• Behavior Pattern Mining-based Multi-Behavior Recommendation [22.514959709811446]
  行動パターンマイニングに基づくマルチ行動レコメンデーション(BPMR)を紹介する。 BPMRは、ユーザとアイテム間の多様な相互作用パターンを広範囲に調査し、これらのパターンを推奨する機能として利用します。 実世界の3つのデータセットに対する実験的評価は、BPMRが既存の最先端アルゴリズム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） (2024-08-22T06:41:59Z)
• LD4MRec: Simplifying and Powering Diffusion Model for Multimedia Recommendation [6.914898966090197]
  マルチメディアレコメンデーションのための光拡散モデル(LD4MRec)を提案する。 LD4MRecはフォワードフリー推論戦略を採用しており、観測されたノイズの振る舞いから直接将来の振る舞いを予測する。 3つの実世界のデータセットで実施された実験は、LD4MRecの有効性を示した。
  論文  参考訳（メタデータ） (2023-09-27T02:12:41Z)
• Diffusion Recommender Model [85.9640416600725]
  そこで我々は,DiffRecと呼ばれる新しい拡散レコメンダモデルを提案し,その生成過程を認知的に学習する。 ユーザインタラクションにおけるパーソナライズされた情報を維持するため、DiffRecは追加のノイズを低減し、画像合成のような純粋なノイズに対するユーザのインタラクションを損なうことを避ける。
  論文  参考訳（メタデータ） (2023-04-11T04:31:00Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
  マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。 本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。 最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
  論文  参考訳（メタデータ） (2021-09-07T04:28:09Z)
• 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)
• Learning to Generate Noise for Multi-Attack Robustness [126.23656251512762]
  対人学習は、対人摂動に対する既存の方法の感受性を回避できる手法の1つとして登場した。 安全クリティカルなアプリケーションでは、攻撃者は様々な敵を採用してシステムを騙すことができるため、これらの手法は極端に便利である。 本稿では,複数種類の攻撃に対するモデルの堅牢性を改善するために,ノイズ発生を明示的に学習するメタラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-22T10:44:05Z)

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。