論文の概要: User Hesitation and Negative Transfer in Multi-Behavior Recommendation

• arxiv url: http://arxiv.org/abs/2511.05808v1
• Date: Sat, 08 Nov 2025 02:45:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.587794
• Title: User Hesitation and Negative Transfer in Multi-Behavior Recommendation
• Title（参考訳）: マルチビヘイビア・レコメンデーションにおけるユーザ・ヒューイテーションとネガティブ・トランスファー
• Authors: Cheng Li, Yong Xu, Suhua Tang, Wenqiang Lin, Xin He, Jinde Cao,
• Abstract要約: HNTと呼ばれる弱信号学習に焦点を当てた推薦フレームワークを提案する。 標的行動につながる補助行動の特徴を学習することにより、HNTは標的行動を引き起こすことのない類似の補助行動を特定する。 3つの実世界のデータセットの実験では、HNTはHR@10とNDCG@10をそれぞれ12.57%、14.37%改善している。
• 参考スコア（独自算出の注目度）: 55.78729938627577
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-behavior recommendation aims to integrate users' interactions across various behavior types (e.g., view, favorite, add-to-cart, purchase) to more comprehensively characterize user preferences. However, existing methods lack in-depth modeling when dealing with interactions that generate only auxiliary behaviors without triggering the target behavior. In fact, these weak signals contain rich latent information and can be categorized into two types: (1) positive weak signals-items that have not triggered the target behavior but exhibit frequent auxiliary interactions, reflecting users' hesitation tendencies toward these items; and (2) negative weak signals-auxiliary behaviors that result from misoperations or interaction noise, which deviate from true preferences and may cause negative transfer effects. To more effectively identify and utilize these weak signals, we propose a recommendation framework focused on weak signal learning, termed HNT. Specifically, HNT models weak signal features from two dimensions: positive and negative effects. By learning the characteristics of auxiliary behaviors that lead to target behaviors, HNT identifies similar auxiliary behaviors that did not trigger the target behavior and constructs a hesitation set of related items as weak positive samples to enhance preference modeling, thereby capturing users' latent hesitation intentions. Meanwhile, during auxiliary feature fusion, HNT incorporates latent negative transfer effect modeling to distinguish and suppress interference caused by negative representations through item similarity learning. Experiments on three real-world datasets demonstrate that HNT improves HR@10 and NDCG@10 by 12.57% and 14.37%, respectively, compared to the best baseline methods.
• Abstract（参考訳）: マルチビヘイビア・リコメンデーションは、さまざまな行動タイプ(ビュー、お気に入り、追加・ツー・カート、購入など)にわたるユーザのインタラクションを統合することで、ユーザの好みをより包括的に特徴づけることを目的としている。 しかし、既存の手法では、ターゲットの動作をトリガーすることなく補助的な動作のみを生成するインタラクションを扱う際に、詳細なモデリングが欠如している。 実際、これらの弱い信号は、豊かな潜伏情報を含み、(1)ターゲットの動作をトリガーしていないが、頻繁な補助的相互作用を示す正の弱い信号-イズム、(2)誤操作や相互作用ノイズに起因する負の弱い信号-副次的行動、すなわち真の嗜好から逸脱し、負の伝達効果を引き起こす2つのタイプに分類される。 これらの弱信号をより効果的に識別し,活用するために,HNTと呼ばれる弱信号学習に焦点を当てた推薦フレームワークを提案する。 具体的には、HNTは、正と負の2次元の弱い信号の特徴をモデル化する。 対象行動につながる補助行動の特徴を学習することにより,対象行動の引き起こさない類似の補助行動を特定し,関連する項目を弱い正のサンプルとして構築し,嗜好モデルを強化し,ユーザの潜伏意図を捉える。 一方、HNTは補助的特徴融合において、アイテム類似性学習を通じて負の表現による干渉を識別・抑制するために潜在負の伝達効果をモデル化する。 HNTがHR@10とNDCG@10をそれぞれ12.57%、14.37%改善していることが実世界の3つのデータセットで実証された。

関連論文リスト

• HiFIRec: Towards High-Frequency yet Low-Intention Behaviors for Multi-Behavior Recommendation [10.558247582357783]
  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。
  論文  参考訳（メタデータ） (2025-09-30T04:20:45Z)
• Contrastive Self-Supervised Network Intrusion Detection using Augmented Negative Pairs [0.8749675983608171]
  本研究は,拡張負対 (Augmented Negative pairs, CLAN) を用いたコントラスト学習を導入する。 CLANはネットワーク侵入検知のための新しいパラダイムであり、拡張されたサンプルを負のビューとして扱う。 このアプローチは、良性交通に対する事前訓練後の分類精度と推論効率を両立させる。
  論文  参考訳（メタデータ） (2025-09-08T11:04:10Z)
• Benefiting from Negative yet Informative Feedback by Contrasting Opposing Sequential Patterns [1.6044444452278062]
  逐次レコメンデーションシナリオにおいて,肯定的フィードバックと否定的フィードバックの両方から学習するタスクを検討する。 本研究では,2つの変圧器エンコーダを2つの正および負の相互作用シーケンスで学習することを提案する。 本手法の有効性を,最先端のシーケンシャルレコメンデーション手法と比較して,真正の指標の増加の観点から示す。
  論文  参考訳（メタデータ） (2025-08-20T15:32:16Z)
• Subject Invariant Contrastive Learning for Human Activity Recognition [14.10876324116018]
  本研究では,人間の活動認識における一般化を改善するために,SICL(Subject-Invariant Contrastive Learning)を導入する。 SICLは、同じ被験者から引き出された負のペアを再重み付けし、被験者固有の手がかりを抑え、活動固有の情報を強調する。 SICLは従来のコントラスト学習法よりも最大11%向上することを示す。
  論文  参考訳（メタデータ） (2025-07-04T01:55:33Z)
• Dissecting Representation Misalignment in Contrastive Learning via Influence Function [15.28417468377201]
  コントラスト損失に対する拡張影響関数 (ECIF) を導入し, コントラスト損失に対する影響関数について検討した。 ECIFは正と負の両方のサンプルを考慮し、対照的な学習モデルの閉形式近似を提供する。 我々はECIFに基づいて,データ評価,誤修正検出,誤予測トレースバックタスクのための一連のアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-11-18T15:45:41Z)
• AFD: Mitigating Feature Gap for Adversarial Robustness by Feature Disentanglement [56.90364259986057]
  逆方向の微調整法は、逆方向の訓練方法で事前訓練されたモデルを微調整することにより、逆方向の強靭性を高める。 本稿では,特定の潜伏する特徴を明示的にモデル化し,除去するためのアンタングルメントに基づくアプローチを提案する。 提案手法は,既存の対戦型微調整法や対戦型トレーニングベースラインを超越した手法である。
  論文  参考訳（メタデータ） (2024-01-26T08:38:57Z)
• Enhancing Robust Representation in Adversarial Training: Alignment and Exclusion Criteria [61.048842737581865]
  対人訓練 (AT) は, 頑健な特徴の学習を省略し, 対人的頑健さの低下を招いた。 非対称な負のコントラストと逆の注意によって、頑健な表現を得るためのATの一般的なフレームワークを提案する。 3つのベンチマークデータセットの実証評価により,ATの堅牢性を大幅に向上し,最先端の性能を実現することができた。
  論文  参考訳（メタデータ） (2023-10-05T07:29:29Z)
• Few-Shot Fine-Grained Action Recognition via Bidirectional Attention and Contrastive Meta-Learning [51.03781020616402]
  現実世界のアプリケーションで特定のアクション理解の需要が高まっているため、きめ細かいアクション認識が注目を集めている。 そこで本研究では,各クラスに付与されるサンプル数だけを用いて,新規なきめ細かい動作を認識することを目的とした,数発のきめ細かな動作認識問題を提案する。 粒度の粗い動作では進展があったが、既存の数発の認識手法では、粒度の細かい動作を扱う2つの問題に遭遇する。
  論文  参考訳（メタデータ） (2021-08-15T02:21:01Z)
• Reinforced Negative Sampling over Knowledge Graph for Recommendation [106.07209348727564]
  我々は、高品質なネガティブを探索する強化学習エージェントとして機能する新しい負サンプリングモデル、知識グラフポリシーネットワーク(kgPolicy)を開発した。 kgPolicyは、ターゲットのポジティブなインタラクションからナビゲートし、知識を意識したネガティブなシグナルを適応的に受信し、最終的にはリコメンダをトレーニングする潜在的なネガティブなアイテムを生成する。
  論文  参考訳（メタデータ） (2020-03-12T12:44:30Z)

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。