論文の概要: BLADE: A Behavior-Level Data Augmentation Framework with Dual Fusion Modeling for Multi-Behavior Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2512.12964v1
• Date: Mon, 15 Dec 2025 04:02:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.525687
• Title: BLADE: A Behavior-Level Data Augmentation Framework with Dual Fusion Modeling for Multi-Behavior Sequential Recommendation
• Title（参考訳）: BLADE:マルチビヘイビアシークエンシャルレコメンデーションのためのデュアルフュージョンモデリングを用いた行動レベルデータ拡張フレームワーク
• Authors: Yupeng Li, Mingyue Cheng, Yucong Luo, Yitong Zhou, Qingyang Mao, Shijin Wang,
• Abstract要約: BLADEは、データの分散を緩和しながらマルチ振る舞いモデリングを強化するフレームワークである。 入力レベルと中間レベルの両方で動作情報を組み込んだデュアルアイテム・ビヘイビア融合アーキテクチャを提案する。 3つの行動レベルのデータ拡張手法は、コアアイテムシーケンスではなく、振舞いシーケンスを直接操作する。
• 参考スコア（独自算出の注目度）: 15.457239237638985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-behavior sequential recommendation aims to capture users' dynamic interests by modeling diverse types of user interactions over time. Although several studies have explored this setting, the recommendation performance remains suboptimal, mainly due to two fundamental challenges: the heterogeneity of user behaviors and data sparsity. To address these challenges, we propose BLADE, a framework that enhances multi-behavior modeling while mitigating data sparsity. Specifically, to handle behavior heterogeneity, we introduce a dual item-behavior fusion architecture that incorporates behavior information at both the input and intermediate levels, enabling preference modeling from multiple perspectives. To mitigate data sparsity, we design three behavior-level data augmentation methods that operate directly on behavior sequences rather than core item sequences. These methods generate diverse augmented views while preserving the semantic consistency of item sequences. These augmented views further enhance representation learning and generalization via contrastive learning. Experiments on three real-world datasets demonstrate the effectiveness of our approach.
• Abstract（参考訳）: マルチビヘイビアシーケンシャルレコメンデーションは、時間とともに多様なタイプのユーザインタラクションをモデル化することによって、ユーザの動的関心を捉えることを目的としている。 この設定を探索する研究はいくつかあるが、ユーザ行動の不均一性とデータの分散性という2つの根本的な課題により、推奨性能は依然として最適に保たれている。 これらの課題に対処するため,データの分散を緩和しながらマルチビヘイビア・モデリングを強化するフレームワークBLADEを提案する。 具体的には、動作の不均一性を扱うために、入力レベルと中間レベルの両方で動作情報を組み込んだ2つのアイテム・ビヘイビア融合アーキテクチャを導入し、複数の視点から好みのモデリングを可能にする。 データの分散を緩和するため,コアアイテムシーケンスではなく,行動シーケンスを直接操作する3つの行動レベルデータ拡張手法を設計する。 これらの方法は、アイテムシーケンスのセマンティック一貫性を維持しながら、多様な拡張ビューを生成する。 これらの拡張ビューは、コントラスト学習による表現学習と一般化をさらに強化する。 3つの実世界のデータセットの実験は、我々のアプローチの有効性を実証している。

関連論文リスト

• MoCa: Modality-aware Continual Pre-training Makes Better Bidirectional Multimodal Embeddings [75.0617088717528]
  MoCaは、トレーニング済みのVLMバックボーンを効果的な双方向埋め込みモデルに変換するためのフレームワークである。 MoCaは、MMEBとViDoRe-v2ベンチマークのパフォーマンスを継続的に改善し、新しい最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-06-29T06:41:00Z)
• MixRec: Heterogeneous Graph Collaborative Filtering [21.96510707666373]
  そこで本稿では,MixRecを用いたグラフ協調フィルタリングモデルを提案する。 本モデルでは,意図的不整合とマルチビヘイビア・モデリングを取り入れてこれを実現している。 また、自己教師付きデータ拡張の利点を適応的に探求する、新しいコントラスト学習パラダイムを導入する。
  論文  参考訳（メタデータ） (2024-12-18T13:12:36Z)
• Multi-Grained Preference Enhanced Transformer for Multi-Behavior Sequential Recommendation [29.97854124851886]
  シークエンシャルレコメンデーションは,過去のユーザ・イテムインタラクションから学んだユーザの動的嗜好に基づいて,次の購入項目を予測することを目的としている。 既存のメソッドは振る舞いレベルやアイテムレベルでのみ異種なマルチ振る舞いの依存関係をモデル化します。 これらの課題に対処するために,M-GPT(Multi-Grained Preference enhanced Transformer framework)を提案する。
  論文  参考訳（メタデータ） (2024-11-19T02:45:17Z)
• Personalized Behavior-Aware Transformer for Multi-Behavior Sequential Recommendation [25.400756652696895]
  マルチビヘイビアシーケンスレコメンデーション(MBSR)問題に対するパーソナライズされた行動認識変換フレームワーク(PBAT)を提案する。 PBATは表現層にパーソナライズされた振舞いパターン生成器を開発し,逐次学習のための動的・識別的な振舞いパターンを抽出する。 3つのベンチマークデータセットで実験を行い、その結果、フレームワークの有効性と解釈性を示した。
  論文  参考訳（メタデータ） (2024-02-22T12:03:21Z)
• Feature Decoupling-Recycling Network for Fast Interactive Segmentation [79.22497777645806]
  近年のインタラクティブセグメンテーション手法では,入力としてソースイメージ,ユーザガイダンス,従来予測されていたマスクを反復的に取り込んでいる。 本稿では,本質的な相違点に基づいてモデリングコンポーネントを分離するFDRN(Feature Decoupling-Recycling Network)を提案する。
  論文  参考訳（メタデータ） (2023-08-07T12:26:34Z)
• Coarse-to-Fine Knowledge-Enhanced Multi-Interest Learning Framework for Multi-Behavior Recommendation [52.89816309759537]
  マルチタイプの行動(例えば、クリック、カートの追加、購入など)は、ほとんどの現実世界のレコメンデーションシナリオに広く存在する。 最先端のマルチ振る舞いモデルは、すべての歴史的相互作用を入力として区別しない振る舞い依存を学習する。 本稿では,多様な行動に対する共有的・行動特異的な関心を学習するための,多目的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-03T05:28:14Z)
• Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
  本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-08T09:44:00Z)

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。