論文の概要: CausalRec: A CausalBoost Attention Model for Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2510.21333v1
• Date: Fri, 24 Oct 2025 10:49:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 09:00:15.442784
• Title: CausalRec: A CausalBoost Attention Model for Sequential Recommendation
• Title（参考訳）: CausalRec:シークエンシャルレコメンデーションのためのCausalBoostアテンションモデル
• Authors: Yunbo Hou, Tianle Yang, Ruijie Li, Li He, Liang Wang, Weiping Li, Bo Zheng, Guojie Song,
• Abstract要約: 本稿では、シーケンシャルレコメンデーションのための因果注意を統合する新しいフレームワークCausalRecを提案する。 因果発見ブロックとCausalBoosterが組み込まれている。 CaulRecは、ヒットレート(HR)が7.21%、正規化カウント累積ゲイン(NDCG)が8.65%、最先端のいくつかの手法より優れている。
• 参考スコア（独自算出の注目度）: 27.826730446489062
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in correlation-based sequential recommendation systems have demonstrated substantial success. Specifically, the attention-based model outperforms other RNN-based and Markov chains-based models by capturing both short- and long-term dependencies more effectively. However, solely focusing on item co-occurrences overlooks the underlying motivations behind user behaviors, leading to spurious correlations and potentially inaccurate recommendations. To address this limitation, we present a novel framework that integrates causal attention for sequential recommendation, CausalRec. It incorporates a causal discovery block and a CausalBooster. The causal discovery block learns the causal graph in user behavior sequences, and we provide a theory to guarantee the identifiability of the learned causal graph. The CausalBooster utilizes the discovered causal graph to refine the attention mechanism, prioritizing behaviors with causal significance. Experimental evaluations on real-world datasets indicate that CausalRec outperforms several state-of-the-art methods, with average improvements of 7.21% in Hit Rate (HR) and 8.65% in Normalized Discounted Cumulative Gain (NDCG). To the best of our knowledge, this is the first model to incorporate causality through the attention mechanism in sequential recommendation, demonstrating the value of causality in generating more accurate and reliable recommendations.
• Abstract（参考訳）: 相関に基づくシーケンシャルレコメンデーションシステムの最近の進歩は、かなりの成功を収めている。 具体的には、注意に基づくモデルは、RNNベースの他のMarkovチェーンベースのモデルよりも、短期および長期の依存関係をより効果的にキャプチャすることで、パフォーマンスを向上する。 しかし、項目の共起にのみ注目することは、ユーザの行動の背後にある動機を見落とし、素早い相関と潜在的に不正確なレコメンデーションをもたらす。 この制限に対処するために、シーケンシャルレコメンデーションのための因果注意を統合する新しいフレームワークCausalRecを提案する。 因果発見ブロックとCausalBoosterが組み込まれている。 因果探索ブロックは,ユーザの行動系列の因果グラフを学習し,学習した因果グラフの識別可能性を保証する理論を提供する。 CausalBoosterは、発見された因果グラフを使用して注意機構を洗練し、因果的な意味を持つ振る舞いを優先順位付けする。 実世界のデータセットに対する実験的評価では、CausalRecは、ヒットレート(HR)が7.21%、正規化されたカウント累積ゲイン(NDCG)が8.65%、最先端のいくつかの手法より優れていることが示されている。 私たちの知る限りでは、より正確で信頼性の高いレコメンデーションを生成する上での因果関係の価値を実証し、アテンションメカニズムを通じて因果関係を逐次レコメンデーションに組み込む最初のモデルである。

関連論文リスト

• CAT: Causal Attention Tuning For Injecting Fine-grained Causal Knowledge into Large Language Models [42.12079243701232]
  因果注意チューニング(Causal Attention Tuning, CAT)は、注意機構に微粒な因果知識を注入する新しいアプローチである。 トークンレベルの因果信号を自動的に生成するために,人間の先行情報を活用する自動パイプラインを提案する。 CatはSTGデータセットで5.76%、下流タスクで1.56%の平均的な改善を実現している。
  論文  参考訳（メタデータ） (2025-09-01T15:13:15Z)
• HEC-GCN: Hypergraph Enhanced Cascading Graph Convolution Network for Multi-Behavior Recommendation [41.65320959602054]
  マルチビヘイビアレコメンデーション(HEC-GCN)のためのHypergraph Enhanced Cascading Graph Convolution Networkという新しいアプローチを提案する。 まず,行動特化相互作用グラフと対応するハイパーグラフをケースド方式で同時にモデル化することにより,ユーザや各行動項目間の細粒度と粗粒度の相関関係を探索する。
  論文  参考訳（メタデータ） (2024-12-19T02:57:02Z)
• Fighting Spurious Correlations in Text Classification via a Causal Learning Perspective [2.7813683000222653]
  本稿では,因果関係へのモデル依存を軽減するために,因果相関ロバスト (CCR) を提案する。 CCRは、逆確率重み付け(IPW)損失関数とともに、反ファクト推論に基づく因果的特徴選択法を統合する。 グループラベルを持たないメソッド間でのCCRの最先端性能を示し、場合によってはグループラベルを利用するモデルと競合する。
  論文  参考訳（メタデータ） (2024-11-01T21:29:07Z)
• 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)
• Active Bayesian Causal Inference [72.70593653185078]
  因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。 ABCIは因果関係のモデルと関心のクエリを共同で推論する。 我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-06-04T22:38:57Z)
• Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
  トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。 このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。 本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-20T18:57:18Z)
• CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
  因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。 CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
  論文  参考訳（メタデータ） (2020-09-28T09:49:38Z)

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。