論文の概要: Time Matters: Enhancing Sequential Recommendations with Time-Guided Graph Neural ODEs

• arxiv url: http://arxiv.org/abs/2511.18347v1
• Date: Sun, 23 Nov 2025 08:46:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.793304
• Title: Time Matters: Enhancing Sequential Recommendations with Time-Guided Graph Neural ODEs
• Title（参考訳）: Time Matters: Time-Guided Graph Neural ODEによるシーケンスレコメンデーションの強化
• Authors: Haoyan Fu, Zhida Qin, Shixiao Yang, Haoyao Zhang, Bin Lu, Shuang Li, Tianyu Huang, John C. S. Lui,
• Abstract要約: シーケンスレコメンデーション(SR)は、eコマースプラットフォームやストリーミングサービスなどに広くデプロイされています。 既存の方法は、インタラクション間の不規則なユーザ関心と、時間とともに非常に不均一なアイテム分布という、2つの重要な要因を見落としていることが多い。 我々はTGODEを提案し、長期の歴史的相互作用の強化とキャプチャを行う。
• 参考スコア（独自算出の注目度）: 39.5138461997608
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequential recommendation (SR) is widely deployed in e-commerce platforms, streaming services, etc., revealing significant potential to enhance user experience. However, existing methods often overlook two critical factors: irregular user interests between interactions and highly uneven item distributions over time. The former factor implies that actual user preferences are not always continuous, and long-term historical interactions may not be relevant to current purchasing behavior. Therefore, relying only on these historical interactions for recommendations may result in a lack of user interest at the target time. The latter factor, characterized by peaks and valleys in interaction frequency, may result from seasonal trends, special events, or promotions. These externally driven distributions may not align with individual user interests, leading to inaccurate recommendations. To address these deficiencies, we propose TGODE to both enhance and capture the long-term historical interactions. Specifically, we first construct a user time graph and item evolution graph, which utilize user personalized preferences and global item distribution information, respectively. To tackle the temporal sparsity caused by irregular user interactions, we design a time-guided diffusion generator to automatically obtain an augmented time-aware user graph. Additionally, we devise a user interest truncation factor to efficiently identify sparse time intervals and achieve balanced preference inference. After that, the augmented user graph and item graph are fed into a generalized graph neural ordinary differential equation (ODE) to align with the evolution of user preferences and item distributions. This allows two patterns of information evolution to be matched over time. Experimental results demonstrate that TGODE outperforms baseline methods across five datasets, with improvements ranging from 10% to 46%.
• Abstract（参考訳）: シークエンシャルレコメンデーション(SR)は、Eコマースプラットフォームやストリーミングサービスなどに広くデプロイされており、ユーザエクスペリエンスを高める大きな可能性を明らかにしている。 しかしながら、既存の手法は、インタラクション間の不規則なユーザ関心と、時間とともに非常に不均一なアイテム分布という、2つの重要な要因を見落としていることが多い。 前者の要因は、実際のユーザの嗜好が常に連続しているとは限らないこと、そして長期的な歴史的相互作用が現在の購入行動に関係していないことを示唆している。 したがって、これらの履歴的なインタラクションのみをレコメンデーションに頼れば、ターゲット時間におけるユーザの関心の欠如につながる可能性がある。 後者の要因は、相互作用頻度のピークと谷によって特徴づけられ、季節的傾向、特別な出来事、または昇進によって引き起こされる。 これらの外部駆動型ディストリビューションは、個々のユーザの関心と一致しない可能性があるため、不正確なレコメンデーションにつながる。 これらの欠陥に対処するため,TGODEを提案する。 具体的には、まず、ユーザの好みとグローバルなアイテム分布情報を利用する、ユーザ時間グラフとアイテム進化グラフを構築する。 不規則なユーザインタラクションによって生じる時間的間隔に対処するため、時間誘導拡散生成器を設計し、拡張された時間認識ユーザグラフを自動的に取得する。 さらに、ユーザ関心の減少要因を考案し、スパース時間間隔を効率的に識別し、バランスの取れた選好推定を実現する。 その後、拡張されたユーザグラフとアイテムグラフを一般化されたグラフニューラル常微分方程式(ODE)に入力し、ユーザの好みやアイテム分布の進化に合わせる。 これにより、情報進化の2つのパターンが時間とともに一致します。 実験の結果、TGODEは5つのデータセットでベースラインメソッドよりも優れており、10%から46%の改善がある。

関連論文リスト

• Time Matters: A Novel Real-Time Long- and Short-term User Interest Model for Click-Through Rate Prediction [1.6498361958317636]
  CTR(Click-Through Rate)予測の鍵となるステップは、正確なユーザ表現を学習して関心を捉えることだ。 周期パターンと時間点パターンの2つの規則パターンを開発する。 本稿では,この2つのパターンに基づいて,ユーザ関心モデリング手法を提案する。
  論文  参考訳（メタデータ） (2025-11-09T03:55:14Z)
• Discrete-event Tensor Factorization: Learning a Smooth Embedding for Continuous Domains [0.0]
  本稿では、因子化スタイルのレコメンデーションモデルにおいて、時間がどのように符号化されるかを分析する。 機能として絶対時間を含めることで、私たちのモデルはさまざまなユーザの好みを学習し、時間とともにアイテムの知覚を変化させることができます。
  論文  参考訳（メタデータ） (2025-08-06T08:54:57Z)
• Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
  クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。 近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。 マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
  論文  参考訳（メタデータ） (2024-11-22T15:29:05Z)
• TEA: A Sequential Recommendation Framework via Temporally Evolving Aggregations [12.626079984394766]
  動的ユーザ・イテム不均質グラフに基づく新しいシーケンシャル・レコメンデーション・フレームワークを提案する。 条件付き乱数場を利用して不均一なグラフとユーザ動作を集約し,確率推定を行う。 提案したフレームワークのスケーラブルで柔軟な実装を提供しています。
  論文  参考訳（メタデータ） (2021-11-14T15:54:23Z)
• Dynamic Sequential Graph Learning for Click-Through Rate Prediction [29.756257920214168]
  本稿では,ユーザやアイテムに関連付けられたローカルサブグラフからの協調情報を活用することで,ユーザの表現を向上する新しい手法を提案する。 実世界のCTR予測ベンチマークの結果は、DSGLによってもたらされた改善を実証している。
  論文  参考訳（メタデータ） (2021-09-26T09:23:43Z)
• Position-enhanced and Time-aware Graph Convolutional Network for Sequential Recommendations [3.286961611175469]
  我々は、位置対応と時間対応のグラフ畳み込みネットワーク(PTGCN)に基づく、深層学習に基づくシーケンシャルレコメンデーションアプローチを提案する。 PTGCNは、位置対応と時間対応のグラフ畳み込み演算を定義することにより、ユーザとイテム相互作用間の逐次パターンと時間ダイナミクスをモデル化する。 多層グラフ畳み込みを積み重ねることで、ユーザとアイテム間の高次接続を実現する。
  論文  参考訳（メタデータ） (2021-07-12T07:34:20Z)

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。