論文の概要: Multi-Granularity Sequence Denoising with Weakly Supervised Signal for Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2510.10564v1
• Date: Sun, 12 Oct 2025 12:10:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.010344
• Title: Multi-Granularity Sequence Denoising with Weakly Supervised Signal for Sequential Recommendation
• Title（参考訳）: 逐次レコメンデーションのための弱教師付き信号を用いたマルチグラニュリティシーケンス
• Authors: Liang Li, Zhou Yang, Xiaofei Zhu,
• Abstract要約: 時系列レコメンデーションは,過去のインタラクションシーケンスにおけるユーザの関心に基づいて,次の項目を予測することを目的としている。 既存の研究では、アイテムの粒度に関係のないノイズを間接的に識別する教師なしの手法が採用されている。 逐次レコメンデーションのための弱教師付き信号を用いたマルチグラニュラリティシークエンスデノジングを提案する。
• 参考スコア（独自算出の注目度）: 11.795090187372773
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequential recommendation aims to predict the next item based on user interests in historical interaction sequences. Historical interaction sequences often contain irrelevant noisy items, which significantly hinders the performance of recommendation systems. Existing research employs unsupervised methods that indirectly identify item-granularity irrelevant noise by predicting the ground truth item. Since these methods lack explicit noise labels, they are prone to misidentify users' interested items as noise. Additionally, while these methods focus on removing item-granularity noise driven by the ground truth item, they overlook interest-granularity noise, limiting their ability to perform broader denoising based on user interests. To address these issues, we propose Multi-Granularity Sequence Denoising with Weakly Supervised Signal for Sequential Recommendation(MGSD-WSS). MGSD-WSS first introduces the Multiple Gaussian Kernel Perceptron module to map the original and enhance sequence into a common representation space and utilizes weakly supervised signals to accurately identify noisy items in the historical interaction sequence. Subsequently, it employs the item-granularity denoising module with noise-weighted contrastive learning to obtain denoised item representations. Then, it extracts target interest representations from the ground truth item and applies noise-weighted contrastive learning to obtain denoised interest representations. Finally, based on the denoised item and interest representations, MGSD-WSS predicts the next item. Extensive experiments on five datasets demonstrate that the proposed method significantly outperforms state-of-the-art sequence recommendation and denoising models. Our code is available at https://github.com/lalunex/MGSD-WSS.
• Abstract（参考訳）: 時系列レコメンデーションは,過去のインタラクションシーケンスにおけるユーザの関心に基づいて,次の項目を予測することを目的としている。 歴史的相互作用シーケンスには、しばしば無関係なノイズ要素が含まれており、レコメンデーションシステムのパフォーマンスを著しく妨げている。 既存の研究では、真理の項目を予測することによって、アイテムの粒度無関係なノイズを間接的に識別する教師なしの手法が採用されている。 これらの手法には明確なノイズラベルがないため、ユーザの興味のある項目をノイズと誤識別する傾向がある。 さらに,本手法では, 基本的真理項目によって引き起こされるアイテムの粒度ノイズの除去に焦点が当てられているが, 関心の粒度ノイズを見落とし, ユーザの興味に基づいてより広範な認知を行う能力を制限している。 これらの問題に対処するため、我々は、Wakly Supervised Signal for Sequential Recommendation (MGSD-WSS) を用いたマルチグラニュラリティシークエンシングを提案する。 MGSD-WSSは最初に多重ガウスカーネルパーセプトロンモジュールを導入し、元の配列とエンハンスメントシーケンスを共通の表現空間にマッピングし、弱い教師付き信号を用いて歴史的相互作用シーケンスのノイズを正確に識別する。 その後、ノイズ重み付きコントラスト学習を備えたアイテム粒度復調モジュールを用いて、識別されたアイテム表現を得る。 そして、対象の真理項目から対象の興味表現を抽出し、雑音重み付きコントラスト学習を適用して、識別された関心表現を得る。 最後に、記述項目と興味表現に基づいて、MGSD-WSSは次の項目を予測する。 5つのデータセットに対する大規模な実験により、提案手法は最先端のシークエンスレコメンデーションとデノイングモデルを大幅に上回ることを示した。 私たちのコードはhttps://github.com/lalunex/MGSD-WSS.comで利用可能です。

関連論文リスト

• Empowering Denoising Sequential Recommendation with Large Language Model Embeddings [18.84444501128626]
  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。
  論文  参考訳（メタデータ） (2025-10-05T15:10:51Z)
• Distinguished Quantized Guidance for Diffusion-based Sequence Recommendation [7.6572888950554905]
  拡散型シーケンスレコメンデーション(DiQDiff)のための分散量子ガイダンスを提案する。 DiQDiffは、ユーザ関心を理解するための堅牢なガイダンスを抽出し、DM内でパーソナライズされたユーザ関心のための優れたアイテムを生成することを目的としている。 先行するアプローチに対するDiQDiffの優れたレコメンデーション性能は、シーケンシャルなレコメンデーションタスクにおける有効性を示している。
  論文  参考訳（メタデータ） (2025-01-29T14:20:42Z)
• 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)
• Enhancing Recommendation with Denoising Auxiliary Task [2.819369786209738]
  ユーザの振る舞いの任意性のため、ノイズの存在はリコメンデータシステムにおける次の行動を予測するための課題となる。 提案手法は, 推薦システムにおいて, より正確に雑音列を再重み付けすることを目的とした, 自己監督型補助タスクジョイントトレーニング (ATJT) 手法を提案する。
  論文  参考訳（メタデータ） (2024-09-25T22:26:29Z)
• 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)
• NLIP: Noise-robust Language-Image Pre-training [95.13287735264937]
  雑音調和と雑音補完という2つの手法を用いて事前学習の安定化を図るため,NLIPの原理的手法を提案する。 我々のNLIPは、画像テキスト事前学習における一般的なノイズ効果をより効率的に軽減することができる。
  論文  参考訳（メタデータ） (2022-12-14T08:19:30Z)
• Robust Semantic Communications with Masked VQ-VAE Enabled Codebook [56.63571713657059]
  本稿では,ロバストなエンドツーエンドのセマンティック通信システムにおいて,セマンティックノイズに対処するためのフレームワークを提案する。 セマンティックノイズに対処するため、重み付き対向トレーニングを開発し、トレーニングデータセットにセマンティックノイズを組み込む。 ノイズやタスク非関連の特徴を抑える機能重要モジュール (FIM) を開発した。
  論文  参考訳（メタデータ） (2022-06-08T16:58:47Z)
• Robust Meta-learning with Sampling Noise and Label Noise via Eigen-Reptile [78.1212767880785]
  Meta-learnerは、利用可能なサンプルがわずかしかないため、過度に適合する傾向がある。 ノイズの多いラベルでデータを扱う場合、メタラーナーはラベルノイズに対して非常に敏感になる可能性がある。 本稿では,タスク固有のパラメータの主要な方向でメタパラメータを更新するEigen-Reptile(ER)を提案する。
  論文  参考訳（メタデータ） (2022-06-04T08:48:02Z)

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。