論文の概要: Empowering Denoising Sequential Recommendation with Large Language Model Embeddings

• arxiv url: http://arxiv.org/abs/2510.04239v1
• Date: Sun, 05 Oct 2025 15:10:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.539149
• Title: Empowering Denoising Sequential Recommendation with Large Language Model Embeddings
• Title（参考訳）: 大規模言語モデル埋め込みによるシークエンシャルレコメンデーションの活用
• Authors: Tongzhou Wu, Yuhao Wang, Maolin Wang, Chi Zhang, Xiangyu Zhao,
• Abstract要約: シーケンシャルレコメンデーションは、ユーザとイテムのインタラクションにおけるシーケンシャルパターンをモデル化することで、ユーザの好みを捉えることを目的としている。 ノイズの影響を低減するために,ノイズのある項目を明示的に識別・除去することを提案する研究もある。 協調情報と意味情報を統合したIADSR(Interest Alignment for Denoising Sequential Recommendation)を提案する。
• 参考スコア（独自算出の注目度）: 18.84444501128626
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequential recommendation aims to capture user preferences by modeling sequential patterns in user-item interactions. However, these models are often influenced by noise such as accidental interactions, leading to suboptimal performance. Therefore, to reduce the effect of noise, some works propose explicitly identifying and removing noisy items. However, we find that simply relying on collaborative information may result in an over-denoising problem, especially for cold items. To overcome these limitations, we propose a novel framework: Interest Alignment for Denoising Sequential Recommendation (IADSR) which integrates both collaborative and semantic information. Specifically, IADSR is comprised of two stages: in the first stage, we obtain the collaborative and semantic embeddings of each item from a traditional sequential recommendation model and an LLM, respectively. In the second stage, we align the collaborative and semantic embeddings and then identify noise in the interaction sequence based on long-term and short-term interests captured in the collaborative and semantic modalities. Our extensive experiments on four public datasets validate the effectiveness of the proposed framework and its compatibility with different sequential recommendation systems.
• Abstract（参考訳）: シーケンシャルレコメンデーションは、ユーザとイテムのインタラクションにおけるシーケンシャルパターンをモデル化することで、ユーザの好みを捉えることを目的としている。 しかし、これらのモデルはしばしば偶発的相互作用のようなノイズの影響を受け、最適以下の性能をもたらす。 そのため,ノイズの影響を低減するために,ノイズのある項目を明示的に識別・除去することを提案する研究もある。 しかし,コラボレーティブな情報に頼るだけでは,特に寒冷品ではデノベーションが過大な問題となる可能性がある。 これらの制約を克服するために、協調情報と意味情報を統合したIADSR(Interest Alignment for Denoising Sequential Recommendation)を提案する。 具体的には、IADSRは2つの段階から構成される: 第一段階では、従来のシーケンシャルレコメンデーションモデルとLCMから各項目の協調的および意味的埋め込みを得る。 第2段階では、協調的・意味的な埋め込みを整列し、協調的・意味的モダリティで捉えた長期的・短期的な関心に基づいて相互作用シーケンス内のノイズを識別する。 4つの公開データセットに関する広範な実験により、提案フレームワークの有効性と、異なるシーケンシャルなレコメンデーションシステムとの互換性が検証された。

関連論文リスト

• 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)
• Enhance Vision-Language Alignment with Noise [59.2608298578913]
  本研究では,凍結モデルがカスタマイズノイズによって微調整可能であるか検討する。 ビジュアルエンコーダとテキストエンコーダの両方にノイズを注入することでCLIPを微調整できる正インセンティブノイズ(PiNI)を提案する。
  論文  参考訳（メタデータ） (2024-12-14T12:58:15Z)
• Long-Sequence Recommendation Models Need Decoupled Embeddings [49.410906935283585]
  我々は、既存の長期推薦モデルにおいて無視された欠陥を識別し、特徴付ける。 埋め込みの単一のセットは、注意と表現の両方を学ぶのに苦労し、これら2つのプロセス間の干渉につながります。 本稿では,2つの異なる埋め込みテーブルを別々に学習し,注意と表現を完全に分離する,DARE(Decoupled Attention and Representation Embeddings)モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-03T15:45:15Z)
• When SparseMoE Meets Noisy Interactions: An Ensemble View on Denoising Recommendation [3.050721435894337]
  本稿では,適応アンサンブル学習(Adaptive Ensemble Learning, AEL)を提案する。 AELはスパースゲーティングネットワークを脳として採用し、適切な認知能力の合成に適した専門家を選択する。 モデル複雑性のアンサンブル学習の欠点を解決するために,コンポーネントを積み重ねてサブレコメンダを作成する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-19T12:55:34Z)
• Denoising Pre-Training and Customized Prompt Learning for Efficient Multi-Behavior Sequential Recommendation [69.60321475454843]
  マルチビヘイビアシークエンシャルレコメンデーションに適した,最初の事前学習および迅速な学習パラダイムであるDPCPLを提案する。 事前学習段階において,複数の時間スケールでノイズを除去する新しい行動マイナ (EBM) を提案する。 次に,提案するCustomized Prompt Learning (CPL)モジュールを用いて,事前学習したモデルを高効率にチューニングすることを提案する。
  論文  参考訳（メタデータ） (2024-08-21T06:48:38Z)
• Multi-Level Sequence Denoising with Cross-Signal Contrastive Learning for Sequential Recommendation [13.355017204983973]
  シーケンシャル・レコメンダ・システム(SRS)は,ユーザの過去のインタラクション・シーケンスに基づいて,次の項目を提案することを目的としている。 本稿では,MSDCCL(Multi-level Sequence Denoising with Cross-signal Contrastive Learning)という新しいモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-22T04:57:33Z)
• Inference and Denoise: Causal Inference-based Neural Speech Enhancement [83.4641575757706]
  本研究では、雑音の存在を介入としてモデル化することにより、因果推論パラダイムにおける音声強調(SE)課題に対処する。 提案した因果推論に基づく音声強調(CISE)は,ノイズ検出器を用いて間欠雑音音声中のクリーンフレームとノイズフレームを分離し,両フレームセットを2つのマスクベース拡張モジュール(EM)に割り当て,ノイズ条件SEを実行する。
  論文  参考訳（メタデータ） (2022-11-02T15:03:50Z)
• Contrastive Self-supervised Sequential Recommendation with Robust Augmentation [101.25762166231904]
  Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。 データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。 逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
  論文  参考訳（メタデータ） (2021-08-14T07:15:25Z)

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。