論文の概要: Extracting Interaction-Aware Monosemantic Concepts in Recommender Systems

• arxiv url: http://arxiv.org/abs/2511.18024v1
• Date: Sat, 22 Nov 2025 11:27:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.588829
• Title: Extracting Interaction-Aware Monosemantic Concepts in Recommender Systems
• Title（参考訳）: リコメンダシステムにおける相互作用を考慮した単意味概念の抽出
• Authors: Dor Arviv, Yehonatan Elisha, Oren Barkan, Noam Koenigstein,
• Abstract要約: 本稿では,コヒーレントで解釈可能な概念と整合する潜在次元として定義される扁桃体ニューロンの抽出法を提案する。 提案手法はスパースオートエンコーダを用いて,事前学習された表現のセマンティック構造を明らかにする。 提案手法は,様々なレコメンデーションモデルとデータセットをまたがって一般化し,解釈可能なパーソナライゼーションと制御可能なパーソナライズのための実用的なツールを提供する。
• 参考スコア（独自算出の注目度）: 15.141689275747519
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a method for extracting \emph{monosemantic} neurons, defined as latent dimensions that align with coherent and interpretable concepts, from user and item embeddings in recommender systems. Our approach employs a Sparse Autoencoder (SAE) to reveal semantic structure within pretrained representations. In contrast to work on language models, monosemanticity in recommendation must preserve the interactions between separate user and item embeddings. To achieve this, we introduce a \emph{prediction aware} training objective that backpropagates through a frozen recommender and aligns the learned latent structure with the model's user-item affinity predictions. The resulting neurons capture properties such as genre, popularity, and temporal trends, and support post hoc control operations including targeted filtering and content promotion without modifying the base model. Our method generalizes across different recommendation models and datasets, providing a practical tool for interpretable and controllable personalization. Code and evaluation resources are available at https://github.com/DeltaLabTLV/Monosemanticity4Rec.
• Abstract（参考訳）: 本稿では,コヒーレントで解釈可能な概念と整合する潜在次元として定義されているemph{monosemantic}ニューロンを,レコメンダシステムにおけるユーザとアイテムの埋め込みから抽出する手法を提案する。 提案手法では,Sparse Autoencoder (SAE) を用いて事前学習した表現のセマンティック構造を明らかにする。 言語モデルにおける作業とは対照的に、推奨における単意味性は、別々のユーザとアイテムの埋め込み間の相互作用を保存する必要がある。 そこで本研究では,凍結したレコメンデータを通じてバックプロパゲーションを行い,学習した潜在構造をモデルのユーザ・イテム親和性予測と整合させる,emph{prediction aware}トレーニング目標を提案する。 得られたニューロンは、ジャンル、人気、時間的傾向などの特性を捉え、ベースモデルを変更することなく、ターゲットフィルタリングやコンテンツプロモーションを含むポストホック制御操作をサポートする。 提案手法は,様々なレコメンデーションモデルとデータセットをまたがって一般化し,解釈可能なパーソナライゼーションと制御可能なパーソナライズのための実用的なツールを提供する。 コードと評価リソースはhttps://github.com/DeltaLabTLV/Monosemanticity4Recで入手できる。

関連論文リスト

• Conv4Rec: A 1-by-1 Convolutional AutoEncoder for User Profiling through Joint Analysis of Implicit and Explicit Feedbacks [35.7275102787435]
  ユーザモデリングとレコメンデーションタスクのための新しい畳み込み型AutoEncoderアーキテクチャを導入する。 このモデルでは,明示的な評価とサンプリングパターンの暗黙的な情報の両方から,共同で学習することができる。 いくつかの実生活データセットの実験において、暗黙的および明示的なフィードバック予測タスクにおいて最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-09-09T08:25:11Z)
• Interpret the Internal States of Recommendation Model with Sparse Autoencoder [28.234859617081295]
  RecSAEは、Sparse AutoEncoderでRecommendersを解釈する自動化され、一般化可能なプローブフレームワークである。 これはレコメンデーションモデルの内部状態から解釈可能なラテントを抽出し、解釈のセマンティックな概念にリンクする。 RecSAEは解釈中にオリジナルのモデルを変更せず、解釈結果に基づいたモデルへのターゲットのデバイアスを可能にする。
  論文  参考訳（メタデータ） (2024-11-09T08:22:31Z)
• RecExplainer: Aligning Large Language Models for Explaining Recommendation Models [50.74181089742969]
  大規模言語モデル (LLM) は、理解、推論、指導において顕著な知性を示した。 本稿では, ブラックボックスレコメンデータモデルを説明するために, LLM を代理モデルとして利用することについて検討する。 効果的なアライメントを容易にするために,行動アライメント,意図アライメント,ハイブリッドアライメントという3つの手法を導入する。
  論文  参考訳（メタデータ） (2023-11-18T03:05:43Z)
• Topology-aware Debiased Self-supervised Graph Learning for Recommendation [6.893289671937124]
  本稿では,TDGL(Topology-aware De Self-supervised Graph Learning)を提案する。 TDSGLはユーザ間の意味的類似性(items)に応じてコントラッシブなペアを構成する その結果,提案モデルが3つの公開データセット上で,最先端モデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2023-10-24T14:16:19Z)
• Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
  逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。 しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。 したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
  論文  参考訳（メタデータ） (2022-11-17T19:00:24Z)
• Modeling Dynamic User Preference via Dictionary Learning for Sequential Recommendation [133.8758914874593]
  ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。 浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。 本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
  論文  参考訳（メタデータ） (2022-04-02T03:23:46Z)
• Discovering Personalized Semantics for Soft Attributes in Recommender Systems using Concept Activation Vectors [34.56323846959459]
  インタラクティブなレコメンデータシステムは、ユーザがよりリッチな方法で意図、好み、制約、コンテキストを表現することを可能にする。 課題の1つは、ユーザのセマンティックな意図を、しばしば望ましい項目を記述するために使用されるオープンエンドの用語や属性から推測することである。 このような属性のセマンティクスを捉える表現を学習し、それをレコメンデーションシステムにおけるユーザの好みや行動に結びつけるためのフレームワークを開発する。
  論文  参考訳（メタデータ） (2022-02-06T18:45:15Z)
• Explainable Recommendation Systems by Generalized Additive Models with Manifest and Latent Interactions [3.022014732234611]
  本稿では,表現的および潜在的相互作用を持つ一般化加法モデルに基づく説明可能なレコメンデーションシステムを提案する。 効率的なモデルトレーニングと結果の視覚化のための新しいPythonパッケージGAMMLIが開発されました。
  論文  参考訳（メタデータ） (2020-12-15T10:29:12Z)
• Towards Open-World Recommendation: An Inductive Model-based Collaborative Filtering Approach [115.76667128325361]
  推奨モデルは、基礎となるユーザの関心を効果的に見積もり、将来の行動を予測することができる。 2つの表現モデルを含む帰納的協調フィルタリングフレームワークを提案する。 本モデルでは,限られたトレーニングレーティングと新規の未確認ユーザを対象に,数ショットのユーザに対して有望なレコメンデーションを行う。
  論文  参考訳（メタデータ） (2020-07-09T14:31:25Z)

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。