論文の概要: Efficient Model-Agnostic Continual Learning for Next POI Recommendation

• arxiv url: http://arxiv.org/abs/2511.08941v1
• Date: Thu, 13 Nov 2025 01:20:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.317297
• Title: Efficient Model-Agnostic Continual Learning for Next POI Recommendation
• Title（参考訳）: 次のPOI勧告のためのモデル非依存連続学習の効率化
• Authors: Chenhao Wang, Shanshan Feng, Lisi Chen, Fan Li, Shuo Shang,
• Abstract要約: Next Point-of-interest (POI) は、履歴チェックインに基づいてユーザの次の目的地を予測することにより、パーソナライズされた位置情報ベースのサービスを改善する。 既存のほとんどのメソッドは静的データセットと固定モデルに依存しており、時間の経過とともにユーザの振る舞いの変化に適応する能力を制限する。 我々は,近年の関心事とコンテキスト認識型関心事を統合した,効率的かつモデルに依存しないGIRAMを提案する。
• 参考スコア（独自算出の注目度）: 34.04779687550711
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Next point-of-interest (POI) recommendation improves personalized location-based services by predicting users' next destinations based on their historical check-ins. However, most existing methods rely on static datasets and fixed models, limiting their ability to adapt to changes in user behavior over time. To address this limitation, we explore a novel task termed continual next POI recommendation, where models dynamically adapt to evolving user interests through continual updates. This task is particularly challenging, as it requires capturing shifting user behaviors while retaining previously learned knowledge. Moreover, it is essential to ensure efficiency in update time and memory usage for real-world deployment. To this end, we propose GIRAM (Generative Key-based Interest Retrieval and Adaptive Modeling), an efficient, model-agnostic framework that integrates context-aware sustained interests with recent interests. GIRAM comprises four components: (1) an interest memory to preserve historical preferences; (2) a context-aware key encoding module for unified interest key representation; (3) a generative key-based retrieval module to identify diverse and relevant sustained interests; and (4) an adaptive interest update and fusion module to update the interest memory and balance sustained and recent interests. In particular, GIRAM can be seamlessly integrated with existing next POI recommendation models. Experiments on three real-world datasets demonstrate that GIRAM consistently outperforms state-of-the-art methods while maintaining high efficiency in both update time and memory consumption.
• Abstract（参考訳）: Next Point-of-interest (POI) は、履歴チェックインに基づいてユーザの次の目的地を予測することにより、パーソナライズされた位置情報ベースのサービスを改善する。 しかしながら、既存のほとんどのメソッドは静的データセットと固定モデルに依存しており、時間の経過とともにユーザの振る舞いの変化に適応する能力を制限する。 この制限に対処するために、我々は連続的な次のPOIレコメンデーションと呼ばれる新しいタスクを探求する。 このタスクは、学習済みの知識を維持しながら、ユーザの振る舞いのシフトをキャプチャする必要があるため、特に難しい。 さらに、実際のデプロイメントにおいて、更新時間とメモリ使用量の効率性を確保することが不可欠である。 この目的のために,GIRAM(Generative Key-based Interest Retrieval and Adaptive Modeling)を提案する。 GIRAMは,(1)歴史的嗜好を保存するための関心記憶,(2)統合された関心鍵表現のためのコンテキスト対応鍵符号化モジュール,(3)多様かつ関連性の高い関心を識別するための生成キーベースの検索モジュール,(4)関心記憶を更新するための適応的関心更新・融合モジュール,の4つのコンポーネントから構成される。 特に、GIRAMは既存のPOIレコメンデーションモデルとシームレスに統合できる。 3つの実世界のデータセットの実験は、GIRAMが更新時間とメモリ消費の両方で高い効率を維持しながら、最先端の手法を一貫して上回っていることを示している。

関連論文リスト

• Leveraging Scene Context with Dual Networks for Sequential User Behavior Modeling [58.72480539725212]
  本稿では,シーンとアイテム間の動的興味や相互作用を捉えるために,新しいDSPネットワークを提案する。 DSPnetは、アイテムやシーンに対するユーザの動的関心を学習するための2つの並列ネットワークと、将来の振る舞いを予測するためのインタープレイをキャプチャするシーケンス機能拡張モジュールで構成されている。
  論文  参考訳（メタデータ） (2025-09-30T12:26:57Z)
• IRA: Adaptive Interest-aware Representation and Alignment for Personalized Multi-interest Retrieval [1.6970413234850568]
  我々は、関心を意識した表現とアライメント(IRA)フレームワークを提案する。 IRAは累積構造を介して動的に新しい相互作用に適応する。 実世界のデータセットに対する広範な実験を通じて、IRAの有効性を検証する。
  論文  参考訳（メタデータ） (2025-04-24T13:17:18Z)
• Modeling the Heterogeneous Duration of User Interest in Time-Dependent Recommendation: A Hidden Semi-Markov Approach [11.392605386729699]
  ユーザの関心事の変化を追跡するために,隠れたセミマルコフモデルを提案する。 このモデルでは、(最近)関心のある状態に留まるユーザの異なる期間をキャプチャすることができる。 パラメータを推定し,ユーザの行動を予測するためのアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2024-12-15T09:17:45Z)
• LLM-based Bi-level Multi-interest Learning Framework for Sequential Recommendation [54.396000434574454]
  本稿では,暗黙的行動と明示的意味論的視点を組み合わせた新しい多目的SRフレームワークを提案する。 Implicit Behavioral Interest ModuleとExplicit Semantic Interest Moduleの2つのモジュールが含まれている。 4つの実世界のデータセットの実験は、フレームワークの有効性と実用性を検証する。
  論文  参考訳（メタデータ） (2024-11-14T13:00:23Z)
• Denoising User-aware Memory Network for Recommendation [11.145186013006375]
  我々はDUMN(Denoising User-Aware memory network)という新しいCTRモデルを提案する。 DUMNは明示的なフィードバックの表現を使用して、暗黙的なフィードバックの表現を浄化し、暗黙的なフィードバックを効果的に軽視する。 2つの実際のEコマースユーザ行動データセットの実験は、DUMNが最先端のベースラインよりも大幅に改善されていることを示している。
  論文  参考訳（メタデータ） (2021-07-12T14:39:36Z)
• Dynamic Memory based Attention Network for Sequential Recommendation [79.5901228623551]
  DMAN(Dynamic Memory-based Attention Network)と呼ばれる新しい連続的推薦モデルを提案する。 長い動作シーケンス全体を一連のサブシーケンスに分割し、モデルをトレーニングし、ユーザの長期的な利益を維持するためにメモリブロックのセットを維持する。 動的メモリに基づいて、ユーザの短期的および長期的関心を明示的に抽出し、組み合わせて効率的な共同推薦を行うことができる。
  論文  参考訳（メタデータ） (2021-02-18T11:08:54Z)
• Dynamic Graph Collaborative Filtering [64.87765663208927]
  動的レコメンデーションは,逐次データに基づくリアルタイム予測を提供するレコメンデータシステムにとって不可欠である。 本稿では、動的グラフを利用して協調関係とシーケンシャル関係をキャプチャする新しいフレームワーク、Dynamic Graph Collaborative Filtering (DGCF)を提案する。 提案手法は, 動的協調情報の統合の有効性を示すため, 動作繰り返しの少ないデータセットでは高い性能を実現する。
  論文  参考訳（メタデータ） (2021-01-08T04:16:24Z)
• Sequential Recommender via Time-aware Attentive Memory Network [67.26862011527986]
  本稿では,注意機構と繰り返し単位を改善するための時間ゲーティング手法を提案する。 また,長期と短期の嗜好を統合するマルチホップ・タイムアウェア・アテンテーティブ・メモリ・ネットワークを提案する。 提案手法は,候補探索タスクに対してスケーラブルであり,ドット積に基づくTop-Kレコメンデーションのための潜在因数分解の非線形一般化とみなすことができる。
  論文  参考訳（メタデータ） (2020-05-18T11:29:38Z)

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。