論文の概要: Bid Farewell to Seesaw: Towards Accurate Long-tail Session-based Recommendation via Dual Constraints of Hybrid Intents

• arxiv url: http://arxiv.org/abs/2511.08378v1
• Date: Wed, 12 Nov 2025 01:56:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.788025
• Title: Bid Farewell to Seesaw: Towards Accurate Long-tail Session-based Recommendation via Dual Constraints of Hybrid Intents
• Title（参考訳）: Did Farewell to Seesaw:Dual Constraints of Hybrid Intentsによる長期セッションベース勧告の精度向上に向けて
• Authors: Xiao Wang, Ke Qin, Dongyang Zhang, Xiurui Xie, Shuang Liang,
• Abstract要約: セッションベースのレコメンデーション(SBR)は、対話セッションに基づいて匿名ユーザの次のインタラクションを予測することを目的としている。 textbfHID(textbfHybrid textbfIntent-based textbfDual Constraint Framework)を提案する。
• 参考スコア（独自算出の注目度）: 13.122897413603573
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Session-based recommendation (SBR) aims to predict anonymous users' next interaction based on their interaction sessions. In the practical recommendation scenario, low-exposure items constitute the majority of interactions, creating a long-tail distribution that severely compromises recommendation diversity. Existing approaches attempt to address this issue by promoting tail items but incur accuracy degradation, exhibiting a "see-saw" effect between long-tail and accuracy performance. We attribute such conflict to session-irrelevant noise within the tail items, which existing long-tail approaches fail to identify and constrain effectively. To resolve this fundamental conflict, we propose \textbf{HID} (\textbf{H}ybrid \textbf{I}ntent-based \textbf{D}ual Constraint Framework), a plug-and-play framework that transforms the conventional "see-saw" into "win-win" through introducing the hybrid intent-based dual constraints for both long-tail and accuracy. Two key innovations are incorporated in this framework: (i) \textit{Hybrid Intent Learning}, where we reformulate the intent extraction strategies by employing attribute-aware spectral clustering to reconstruct the item-to-intent mapping. Furthermore, discrimination of session-irrelevant noise is achieved through the assignment of the target and noise intents to each session. (ii) \textit{Intent Constraint Loss}, which incorporates two novel constraint paradigms regarding the \textit{diversity} and \textit{accuracy} to regulate the representation learning process of both items and sessions. These two objectives are unified into a single training loss through rigorous theoretical derivation. Extensive experiments across multiple SBR models and datasets demonstrate that HID can enhance both long-tail performance and recommendation accuracy, establishing new state-of-the-art performance in long-tail recommender systems.
• Abstract（参考訳）: セッションベースのレコメンデーション(SBR)は、対話セッションに基づいて匿名ユーザの次のインタラクションを予測することを目的としている。 実用的なレコメンデーションシナリオでは、低露光アイテムが相互作用の大部分を占め、レコメンデーションの多様性を著しく損なう長い尾の分布を生み出します。 既存のアプローチでは、テールアイテムを宣伝することでこの問題に対処するが、精度の低下を招き、ロングテールと精度のパフォーマンスの「シーソー」効果を示す。 このような矛盾は、既存のロングテールアプローチでは効果的に識別・制約できない、テールアイテム内のセッション非関連ノイズに起因している。 この根本的な対立を解決するために,従来の「シーソー」を「ウィンウィン」に変換するプラグイン・アンド・プレイのフレームワークである \textbf{HID} (\textbf{H}ybrid \textbf{I}entent-based \textbf{D}ual Constraint Framework) を提案する。 このフレームワークには2つの重要なイノベーションが組み込まれています。 i) <textit{Hybrid Intent Learning} ここでは,属性対応スペクトルクラスタリングを用いて意図抽出戦略を再構築し,項目間マッピングを再構築する。 さらに、各セッションに対する目標と雑音意図の割り当てにより、セッション非関連ノイズの識別を行う。 (ii) \textit{Intent Constraint Loss} は、アイテムとセッションの両方の表現学習プロセスを制御するために、 \textit{diversity} と \textit{accuracy} に関する2つの新しい制約パラダイムを取り入れている。 これら2つの目的は、厳密な理論的導出によって単一の訓練損失に統一される。 複数のSBRモデルとデータセットにわたる大規模な実験により、HIDはロングテール性能とレコメンデーション精度の両方を強化し、ロングテールレコメンデータシステムにおける新しい最先端パフォーマンスを確立することができることが示された。

関連論文リスト

• Dual-granularity Sinkhorn Distillation for Enhanced Learning from Long-tailed Noisy Data [67.25796812343454]
  ディープラーニングのための実世界のデータセットは、クラス不均衡とラベルノイズの共起的な課題にしばしば悩まされる。 蒸留と相補的な知見の統合により二重強靭性を高める新しいフレームワークであるD-SINKを提案する。 ベンチマークデータセットの実験では、D-SINKはロバスト性を大幅に向上し、長い尾のノイズデータから学習する際の強い経験的性能を達成することが示された。
  論文  参考訳（メタデータ） (2025-10-09T13:05:27Z)
• 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)
• Session-Based Recommendation with Validated and Enriched LLM Intents [23.765167316395583]
  セッションベースのレコメンデーション(SBR)は、匿名ユーザの次の項目をタイムリーに予測することを目的としている。 最近の研究は,大規模言語モデル(LLM)を用いたセッションの基盤となるユーザ意図の推測について検討している。 SBRのための検証および拡張LLM生成インテントを利用する2段階フレームワークVELI4SBRを提案する。
  論文  参考訳（メタデータ） (2025-08-01T12:11:10Z)
• 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)
• Adaptive In-Context Learning with Large Language Models for Bundle Generation [31.667010709144773]
  本稿では、異なるユーザセッションに基づいて、パーソナライズされたバンドル生成と、その基盤となる意図推論という2つの相互関連タスクについて検討する。 大規模言語モデル(LLM)の推論能力に着想を得て,適応型インコンテキスト学習パラダイムを提案する。 提案手法の有効性を実世界の3つのデータセットで実証した。
  論文  参考訳（メタデータ） (2023-12-26T08:24:24Z)
• 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)
• BSN++: Complementary Boundary Regressor with Scale-Balanced Relation Modeling for Temporal Action Proposal Generation [85.13713217986738]
  我々は,時間的提案生成のための補完的境界回帰器と関係モデリングを利用する新しいフレームワークであるBSN++を提案する。 当然のことながら、提案されたBSN++は、時間的アクションローカライゼーションタスクに関するCVPR19 - ActivityNetのリーダーボードで1位にランクインした。
  論文  参考訳（メタデータ） (2020-09-15T07:08:59Z)

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。