論文の概要: A Plug-and-Play Spatially-Constrained Representation Enhancement Framework for Local-Life Recommendation

• arxiv url: http://arxiv.org/abs/2511.12947v1
• Date: Mon, 17 Nov 2025 03:58:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.648559
• Title: A Plug-and-Play Spatially-Constrained Representation Enhancement Framework for Local-Life Recommendation
• Title（参考訳）: ローカルライフレコメンデーションのためのプラグアンドプレイ空間制約付き表現強化フレームワーク
• Authors: Hao Jiang, Guoquan Wang, Sheng Yu, Yang Zeng, Wencong Zeng, Guorui Zhou,
• Abstract要約: 本稿では,長期的地域生活推薦のためのPlug-and-Play空間制約付き表現拡張フレームワークを提案する。 まず,基本属性レベルのセマンティック情報を注入することで,基本ID表現を初期化するメタIDワームアップネットワークを提案する。 次に、コントラスト学習に基づく空間制約付きID表現拡張ネットワーク(SIDENet)を提案する。
• 参考スコア（独自算出の注目度）: 12.108184904799339
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Local-life recommendation have witnessed rapid growth, providing users with convenient access to daily essentials. However, this domain faces two key challenges: (1) spatial constraints, driven by the requirements of the local-life scenario, where items are usually shown only to users within a limited geographic area, indirectly reducing their exposure probability; and (2) long-tail sparsity, where few popular items dominate user interactions, while many high-quality long-tail items are largely overlooked due to imbalanced interaction opportunities. Existing methods typically adopt a user-centric perspective, such as modeling spatial user preferences or enhancing long-tail representations with collaborative filtering signals. However, we argue that an item-centric perspective is more suitable for this domain, focusing on enhancing long-tail items representation that align with the spatially-constrained characteristics of local lifestyle services. To tackle this issue, we propose ReST, a Plug-And-Play Spatially-Constrained Representation Enhancement Framework for Long-Tail Local-Life Recommendation. Specifically, we first introduce a Meta ID Warm-up Network, which initializes fundamental ID representations by injecting their basic attribute-level semantic information. Subsequently, we propose a novel Spatially-Constrained ID Representation Enhancement Network (SIDENet) based on contrastive learning, which incorporates two efficient strategies: a spatially-constrained hard sampling strategy and a dynamic representation alignment strategy. This design adaptively identifies weak ID representations based on their attribute-level information during training. It additionally enhances them by capturing latent item relationships within the spatially-constrained characteristics of local lifestyle services, while preserving compatibility with popular items.
• Abstract（参考訳）: 地域生活のレコメンデーションは急速に成長し、ユーザーは日々の必需品に便利なアクセスを提供してきた。 しかし,本ドメインでは,(1)地域生活シナリオの要件によって引き起こされる空間的制約,(2)地理的に限られた範囲のユーザのみに表示され,その露出確率を間接的に低減する,2)ユーザインタラクションの優位性は低い,という2つの課題に直面している。 既存の手法は一般に、空間的ユーザの好みをモデル化したり、協調的なフィルタリング信号によるロングテール表現の強化など、ユーザー中心の視点を採用する。 しかし、この領域にはアイテム中心の視点がより適しており、ローカルライフスタイルサービスの空間的に制約された特徴に合わせたロングテールアイテム表現の強化に重点を置いている。 この問題に対処するために,Long-Tail Local-Life RecommendationのためのPlug-and-Play Spacely-Constrained Representation Enhancement FrameworkであるReSTを提案する。 具体的には,まず,基本属性レベルのセマンティック情報を注入することで,基本ID表現を初期化するメタIDワームアップネットワークを導入する。 次に、空間制約付きハードサンプリング戦略と動的表現アライメント戦略の2つの効率的な戦略を含む、コントラスト学習に基づく空間制約付きID表現強化ネットワーク(SIDENet)を提案する。 この設計は、トレーニング中に属性レベル情報に基づいて弱いID表現を適応的に識別する。 さらに、地域生活サービスの空間的に制約された特徴の中で潜伏アイテムの関係を捉えつつ、人気アイテムとの互換性を保ちながら、それらを強化する。

関連論文リスト

• Generalized Decoupled Learning for Enhancing Open-Vocabulary Dense Perception [71.26728044621458]
  DeCLIPは、CLIPを強化する新しいフレームワークで、自己認識モジュールを分離して、それぞれコンテンツ’と“コンテキスト’の機能を取得する。 2D検出とセグメンテーション、3Dインスタンスのセグメンテーション、ビデオインスタンスのセグメンテーション、6Dオブジェクトのポーズ推定など、幅広いタスクにわたる最先端のパフォーマンスを一貫して達成する。
  論文  参考訳（メタデータ） (2025-08-15T06:43:51Z)
• Dynamic Forgetting and Spatio-Temporal Periodic Interest Modeling for Local-Life Service Recommendation [9.984798426873306]
  本稿では,リフレッシュ曲線を導入し,ローカルライフサービスレコメンデーションのための長い周期シーケンスのSTIMを提案する。 STIM法の導入により,オンラインA/Bテストを行い,総取引量(GTV)が1.54%向上した。 STIMは大規模なローカルライフサービスレコメンデーションシステムにデプロイされ、コアアプリケーションのシナリオにおいて、毎日数億人のアクティブユーザを提供する。
  論文  参考訳（メタデータ） (2025-08-04T14:16:49Z)
• Dynamic Localisation of Spatial-Temporal Graph Neural Network [8.257228815160849]
  空間時空間グラフニューラルネットワーク(ASTGNN)は、依存関係をモデル化するための貴重なツールとして登場した。 本稿では,空間依存は時間とともに動的に進化するべきだという革新的な視点を紹介する。 textitDynAGSは、分散デプロイメントにおける効率性と精度の最大化を目的とした、ローカル化ASTGNNフレームワークである。
  論文  参考訳（メタデータ） (2025-01-08T02:32:48Z)
• Spatial Structure Constraints for Weakly Supervised Semantic Segmentation [100.0316479167605]
  クラスアクティベーションマップ(CAM)は、オブジェクトの最も識別性の高い部分のみを見つけることができる。 注意伸縮の余剰なオブジェクトの過剰な活性化を軽減するために,弱い教師付きセマンティックセマンティックセグメンテーションのための空間構造制約(SSC)を提案する。 提案手法は,PASCAL VOC 2012とCOCOデータセットでそれぞれ72.7%,47.0%mIoUを達成した。
  論文  参考訳（メタデータ） (2024-01-20T05:25:25Z)
• Multi-Temporal Relationship Inference in Urban Areas [75.86026742632528]
  場所間の時間的関係を見つけることは、動的なオフライン広告やスマートな公共交通計画など、多くの都市アプリケーションに役立つ。 空間的に進化するグラフニューラルネットワーク(SEENet)を含むグラフ学習方式によるTrialの解を提案する。 SEConvは時間内アグリゲーションと時間間伝搬を実行し、位置メッセージパッシングの観点から、多面的に空間的に進化するコンテキストをキャプチャする。 SE-SSLは、位置表現学習を強化し、関係の空間性をさらに扱えるように、グローバルな方法でタイムアウェアな自己教師型学習タスクを設計する。
  論文  参考訳（メタデータ） (2023-06-15T07:48:32Z)
• Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
  Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。 自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。 特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
  論文  参考訳（メタデータ） (2022-10-22T17:29:34Z)
• Joint Disentangling and Adaptation for Cross-Domain Person Re-Identification [88.79480792084995]
  本稿では,ID関連・非関連特徴を解き放つ共同学習フレームワークを提案し,ID関連特徴空間にのみ適応を強制する。 我々のモデルは、ドメイン間の画像を共有外観空間と2つの別々の構造空間にエンコードするアンタングルモジュールと、共有外観空間上で対角アライメントと自己学習を行う適応モジュールを含む。
  論文  参考訳（メタデータ） (2020-07-20T17:57:02Z)
• Co-Saliency Spatio-Temporal Interaction Network for Person Re-Identification in Videos [85.6430597108455]
  本稿では,ビデオにおける人物の身元確認のためのCSTNet(Co-Saliency Spatio-Temporal Interaction Network)を提案する。 ビデオフレーム間の共通した有意な前景領域をキャプチャし、そのような領域からの空間的時間的長距離コンテキストの相互依存性を探索する。 CSTNet内の複数の空間的時間的相互作用モジュールを提案し,その特徴と空間的時間的情報相関の空間的・時間的長期的相互依存性を利用した。
  論文  参考訳（メタデータ） (2020-04-10T10:23:58Z)

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。