論文の概要: Continuous-time Discrete-space Diffusion Model for Recommendation

• arxiv url: http://arxiv.org/abs/2511.12114v1
• Date: Sat, 15 Nov 2025 09:06:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:23.617099
• Title: Continuous-time Discrete-space Diffusion Model for Recommendation
• Title（参考訳）: 勧告のための連続時間離散空間拡散モデル
• Authors: Chengyi Liu, Xiao Chen, Shijie Wang, Wenqi Fan, Qing Li,
• Abstract要約: CDRecは、新しいContinuous-time Discrete-space Diffusion Recommendationフレームワークである。 これは推奨精度と計算効率の両方において優れている。 実世界のデータセットの実験は、推奨精度と計算効率の両方においてCDRecの優れた性能を示す。
• 参考スコア（独自算出の注目度）: 25.432419904462694
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the era of information explosion, Recommender Systems (RS) are essential for alleviating information overload and providing personalized user experiences. Recent advances in diffusion-based generative recommenders have shown promise in capturing the dynamic nature of user preferences. These approaches explore a broader range of user interests by progressively perturbing the distribution of user-item interactions and recovering potential preferences from noise, enabling nuanced behavioral understanding. However, existing diffusion-based approaches predominantly operate in continuous space through encoded graph-based historical interactions, which may compromise potential information loss and suffer from computational inefficiency. As such, we propose CDRec, a novel Continuous-time Discrete-space Diffusion Recommendation framework, which models user behavior patterns through discrete diffusion on historical interactions over continuous time. The discrete diffusion algorithm operates via discrete element operations (e.g., masking) while incorporating domain knowledge through transition matrices, producing more meaningful diffusion trajectories. Furthermore, the continuous-time formulation enables flexible adaptive sampling. To better adapt discrete diffusion models to recommendations, CDRec introduces: (1) a novel popularity-aware noise schedule that generates semantically meaningful diffusion trajectories, and (2) an efficient training framework combining consistency parameterization for fast sampling and a contrastive learning objective guided by multi-hop collaborative signals for personalized recommendation. Extensive experiments on real-world datasets demonstrate CDRec's superior performance in both recommendation accuracy and computational efficiency.
• Abstract（参考訳）: 情報爆発の時代には、情報過負荷を緩和し、パーソナライズされたユーザーエクスペリエンスを提供するために、Recommender Systems (RS) が不可欠である。 拡散型生成レコメンデータの最近の進歩は、ユーザの嗜好の動的な性質を捉えることに有望であることを示している。 これらのアプローチは、ユーザとイテムの相互作用の分布を徐々にゆがめ、ノイズから潜在的嗜好を回復させることにより、より広い範囲のユーザ関心を探求し、ニュアンスな行動理解を可能にする。 しかし、既存の拡散に基づくアプローチは、主にグラフベースの歴史的相互作用を符号化することで、潜在的な情報損失を損なう可能性があり、計算の非効率さに悩まされる。 そこで本研究では,CDRecを提案する。CDRecは,連続時間における歴史的相互作用の離散拡散を通じてユーザ行動パターンをモデル化する,連続時間離散空間拡散勧告フレームワークである。 離散拡散アルゴリズムは離散要素演算(例えばマスキング)を介して動作し、遷移行列を通してドメイン知識を取り入れ、より有意義な拡散軌道を生成する。 さらに、連続時間定式化により、柔軟な適応サンプリングが可能となる。 そこでCDRecは,(1)意味的に意味のある拡散軌跡を生成する新しい人気適応型ノイズスケジュール,(2)高速サンプリングのための一貫性パラメータ化と,パーソナライズされたレコメンデーションのためのマルチホップ協調信号によって導かれる対照的な学習目標を組み合わせた効率的なトレーニングフレームワークを提案する。 実世界のデータセットに対する大規模な実験は、推奨精度と計算効率の両方においてCDRecの優れた性能を示す。

関連論文リスト

• Diffusion Generative Recommendation with Continuous Tokens [21.222713476105195]
  ContRecは、連続トークンをLLMベースのRecSysにシームレスに統合するフレームワークである。 ContRecは従来型およびSOTA LLMベースのレコメンデータシステムよりも一貫して優れていることを示す。 本研究は,次世代レコメンデーションシステムにおける連続トークン化と生成モデリングの可能性を強調した。
  論文  参考訳（メタデータ） (2025-04-16T12:01:03Z)
• Breaking Determinism: Fuzzy Modeling of Sequential Recommendation Using Discrete State Space Diffusion Model [66.91323540178739]
  シークエンシャルレコメンデーション(SR)は、ユーザーが過去の行動に基づいて興味を持つかもしれない項目を予測することを目的としている。 我々はSRを新しい情報理論の観点から再検討し、逐次モデリング手法がユーザの行動のランダム性と予測不可能性を適切に把握できないことを発見した。 ファジィ情報処理理論に触発された本論文では,制限を克服し,ユーザの関心事の進化をよりよく捉えるために,ファジィなインタラクションシーケンスの組を導入する。
  論文  参考訳（メタデータ） (2024-10-31T14:52:01Z)
• Dual Conditional Diffusion Models for Sequential Recommendation [63.82152785755723]
  シーケンスレコメンデーションのための二重条件拡散モデル(DCRec)を提案する。 DCRecは2つの条件を前と逆の拡散プロセスに埋め込むことで暗黙的および明示的な情報を統合する。 これによってモデルは、明示的なユーザ-イテムインタラクションを活用してレコメンデーションプロセスをガイドしながら、価値あるシーケンシャルおよびコンテキスト情報を保持することができる。
  論文  参考訳（メタデータ） (2024-10-29T11:51:06Z)
• Bridging User Dynamics: Transforming Sequential Recommendations with Schrödinger Bridge and Diffusion Models [49.458914600467324]
  拡散に基づく逐次レコメンデーションモデルにSchr"odinger Bridgeを導入し、SdifRecモデルを作成する。 また、ユーザクラスタリング情報を誘導条件として利用するcon-SdifRecと呼ばれるSdifRecの拡張版も提案する。
  論文  参考訳（メタデータ） (2024-08-30T09:10:38Z)
• Diffusion Recommender Model [85.9640416600725]
  そこで我々は,DiffRecと呼ばれる新しい拡散レコメンダモデルを提案し,その生成過程を認知的に学習する。 ユーザインタラクションにおけるパーソナライズされた情報を維持するため、DiffRecは追加のノイズを低減し、画像合成のような純粋なノイズに対するユーザのインタラクションを損なうことを避ける。
  論文  参考訳（メタデータ） (2023-04-11T04:31:00Z)
• Diffusion-GAN: Training GANs with Diffusion [135.24433011977874]
  GAN(Generative Adversarial Network)は、安定してトレーニングすることが難しい。 フォワード拡散チェーンを利用してインスタンスノイズを生成する新しいGANフレームワークであるDiffusion-GANを提案する。 我々は,Diffusion-GANにより,最先端のGANよりも高い安定性とデータ効率で,よりリアルな画像を生成することができることを示す。
  論文  参考訳（メタデータ） (2022-06-05T20:45:01Z)

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。