論文の概要: Leveraging Scene Context with Dual Networks for Sequential User Behavior Modeling

• arxiv url: http://arxiv.org/abs/2509.26172v1
• Date: Tue, 30 Sep 2025 12:26:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 14:45:00.132601
• Title: Leveraging Scene Context with Dual Networks for Sequential User Behavior Modeling
• Title（参考訳）: 時系列ユーザ行動モデリングのためのデュアルネットワークを用いたシーンコンテキストの活用
• Authors: Xu Chen, Yunmeng Shu, Yuangang Pan, Jinsong Lan, Xiaoyong Zhu, Shuai Xiao, Haojin Zhu, Ivor W. Tsang, Bo Zheng,
• Abstract要約: 本稿では,シーンとアイテム間の動的興味や相互作用を捉えるために,新しいDSPネットワークを提案する。 DSPnetは、アイテムやシーンに対するユーザの動的関心を学習するための2つの並列ネットワークと、将来の振る舞いを予測するためのインタープレイをキャプチャするシーケンス機能拡張モジュールで構成されている。
• 参考スコア（独自算出の注目度）: 58.72480539725212
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modeling sequential user behaviors for future behavior prediction is crucial in improving user's information retrieval experience. Recent studies highlight the importance of incorporating contextual information to enhance prediction performance. One crucial but usually neglected contextual information is the scene feature which we define as sub-interfaces within an app, created by developers to provide specific functionalities, such as ``text2product search" and ``live" modules in e-commence apps. Different scenes exhibit distinct functionalities and usage habits, leading to significant distribution gap in user engagement across them. Popular sequential behavior models either ignore the scene feature or merely use it as attribute embeddings, which cannot effectively capture the dynamic interests and interplay between scenes and items when modeling user sequences. In this work, we propose a novel Dual Sequence Prediction networks (DSPnet) to effectively capture the dynamic interests and interplay between scenes and items for future behavior prediction. DSPnet consists of two parallel networks dedicated to learn users' dynamic interests over items and scenes, and a sequence feature enhancement module to capture the interplay for enhanced future behavior prediction. Further, we introduce a Conditional Contrastive Regularization (CCR) loss to capture the invariance of similar historical sequences. Theoretical analysis suggests that DSPnet is a principled way to learn the joint relationships between scene and item sequences. Extensive experiments are conducted on one public benchmark and two collected industrial datasets. The method has been deployed online in our system, bringing a 0.04 point increase in CTR, 0.78\% growth in deals, and 0.64\% rise in GMV. The codes are available at this anonymous github: \textcolor{blue}{https://anonymous.4open.science/r/DSPNet-ForPublish-2506/}.
• Abstract（参考訳）: 将来の行動予測のためのシーケンシャルなユーザ行動のモデル化は,ユーザの情報検索体験を改善する上で重要である。 近年の研究は、予測性能を高めるために文脈情報を統合することの重要性を強調している。 重要なが、通常は無視されるコンテキスト情報の1つは、私たちがアプリ内のサブインターフェイスとして定義するシーン機能であり、開発者は、e-commenceアプリの ``text2product search" や ``live" モジュールのような特定の機能を提供するために作成した。 異なるシーンでは、異なる機能や使い方の習慣が示され、ユーザエンゲージメントに大きなギャップが生じる。 一般的なシーケンシャルな行動モデルはシーンの特徴を無視したり、単に属性の埋め込みとして使うだけであり、ユーザーシーケンスをモデル化する際にシーンとアイテム間の動的な関心や相互作用を効果的に捉えることはできない。 本研究では、シーンとアイテム間の動的興味や相互作用を効果的に捉え、将来の行動予測を行うための新しいDSPネットワークを提案する。 DSPnetは、アイテムやシーンに対するユーザの動的関心を学習するための2つの並列ネットワークと、将来の振る舞いを予測するためのインタープレイをキャプチャするシーケンス機能拡張モジュールで構成されている。 さらに,条件付きコントラスト規則化(CCR)ロスを導入し,類似した履歴列の不変性を捉える。 理論的解析から,DSPnetはシーンシーケンスとアイテムシーケンスの結合関係を学習するための原則的手法である可能性が示唆された。 大規模な実験は1つの公開ベンチマークと2つの収集された産業データセットで実施される。 この方法では,CTRが0.04ポイント,取引が0.78倍,GMVが0.64倍に増加した。 コードは匿名のgithubで入手できる。 \textcolor{blue}{https://anonymous.4open.science/r/DSPNet-ForPublish-2506/}。

関連論文リスト

• Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
  クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。 近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。 マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
  論文  参考訳（メタデータ） (2024-11-22T15:29:05Z)

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。