論文の概要: BiCoRec: Bias-Mitigated Context-Aware Sequential Recommendation Model

• arxiv url: http://arxiv.org/abs/2512.13848v1
• Date: Mon, 15 Dec 2025 19:34:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.4694
• Title: BiCoRec: Bias-Mitigated Context-Aware Sequential Recommendation Model
• Title（参考訳）: BiCoRec: バイアス緩和コンテキスト対応シーケンスレコメンデーションモデル
• Authors: Mufhumudzi Muthivhi, Terence L van Zyl, Hairong Wang,
• Abstract要約: 本研究では,人気アイテムやニッチアイテムの嗜好の変化に適応的に対応できる新しいフレームワークであるBiCoRecを開発した。 BiCoRecのNDCG@10スコアは、映画、ファッション、ゲーム、音楽のデータセットの0.0102、0.0047、0.0021、0.0005である。
• 参考スコア（独自算出の注目度）: 1.0546092991752698
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sequential recommendation models aim to learn from users evolving preferences. However, current state-of-the-art models suffer from an inherent popularity bias. This study developed a novel framework, BiCoRec, that adaptively accommodates users changing preferences for popular and niche items. Our approach leverages a co-attention mechanism to obtain a popularity-weighted user sequence representation, facilitating more accurate predictions. We then present a new training scheme that learns from future preferences using a consistency loss function. BiCoRec aimed to improve the recommendation performance of users who preferred niche items. For these users, BiCoRec achieves a 26.00% average improvement in NDCG@10 over state-of-the-art baselines. When ranking the relevant item against the entire collection, BiCoRec achieves NDCG@10 scores of 0.0102, 0.0047, 0.0021, and 0.0005 for the Movies, Fashion, Games and Music datasets.
• Abstract（参考訳）: シーケンシャルレコメンデーションモデルは、ユーザの好みの進化から学ぶことを目的としている。 しかし、現在の最先端モデルは、固有の人気バイアスに悩まされている。 本研究では,人気アイテムやニッチアイテムの嗜好の変化に適応的に対応できる新しいフレームワークであるBiCoRecを開発した。 提案手法では,コアテンション機構を活用して,より正確な予測を行う。 次に、一貫性損失関数を用いて、将来の好みから学習する新しいトレーニングスキームを提案する。 BiCoRecはニッチアイテムを好むユーザのレコメンデーションパフォーマンスを改善することを目的としている。 これらのユーザにとって、BiCoRecは最先端のベースラインよりもNDCG@10の平均的な改善を26.00%達成している。 関連する項目をコレクション全体と比較すると、BiCoRecは映画、ファッション、ゲーム、音楽のデータセットで0.0102、0.0047、0.0021、0.0005のNDCG@10スコアを達成している。

関連論文リスト

• MTRec: Learning to Align with User Preferences via Mental Reward Models [60.321038000806176]
  我々は、実際のユーザの好みに合わせてデザインされたシーケンシャルなレコメンデーションフレームワークであるMTRecを提案する。 ユーザの満足度を定量化するためのメンタル報酬モデルを導入し,それを学習するための分散逆強化学習手法を提案する。 実験により、MTRecは様々なレコメンデーションモデルに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2025-09-26T18:10:48Z)
• RewardRank: Optimizing True Learning-to-Rank Utility [28.662272762911325]
  本稿では,RewardRankを紹介した。 この結果から, 対実的ユーティリティの直接最適化として, 学習からランクへの変換が可能であることが示唆された。
  論文  参考訳（メタデータ） (2025-08-19T18:08:35Z)
• PBiLoss: Popularity-Aware Regularization to Improve Fairness in Graph-Based Recommender Systems [1.0128808054306186]
  PBiLossは、グラフベースのレコメンデータモデルにおいて、人気バイアスを明示的に防止するために設計された正規化に基づく損失関数である。 PBiLoss は,PRU (Popularity-Rank correlation for Users) とPRI (Popularity-Rank correlation for Items) の削減によって,公正性を著しく向上させることを示した。
  論文  参考訳（メタデータ） (2025-07-25T08:29:32Z)
• Can Large Language Models Understand Preferences in Personalized Recommendation? [32.2250928311146]
  PerRecBenchを導入し、ユーザ評価バイアスとアイテムの品質から評価を分解する。 評価予測に長けているLCMベースのレコメンデーション手法では,ユーザの評価バイアスや項目品質を排除した場合,ユーザの好ましくない項目や好ましくない項目を識別できないことがわかった。 その結果、ポイントワイドランキングよりもペアワイズとリストワイズランキングの方が優れていること、PerRecBenchの従来の回帰指標との相関が低いこと、ユーザプロファイルの重要性、事前学習データ分布の役割が明らかになった。
  論文  参考訳（メタデータ） (2025-01-23T05:24:18Z)
• Preference Diffusion for Recommendation [50.8692409346126]
  DMベースのレコメンデータに適した最適化対象であるPreferDiffを提案する。 PreferDiffは、BPRをログライクなランキング目標に変換することで、ユーザの好みをよりよく把握する。 これはDMベースのレコメンデーション向けに特別に設計された、パーソナライズされたランキングの損失である。
  論文  参考訳（メタデータ） (2024-10-17T01:02:04Z)
• Countering Mainstream Bias via End-to-End Adaptive Local Learning [17.810760161534247]
  CF(Collaborative Filtering)ベースのレコメンデーションは、主流のバイアスに悩まされる。 主流ユーザとニッチユーザの両方に高品質なレコメンデーションを提供するために,新しいエンドツーエンド適応型ローカル学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-13T03:17:33Z)
• Aligning GPTRec with Beyond-Accuracy Goals with Reinforcement Learning [67.71952251641545]
  GPTRecはアイテム・バイ・イテムレコメンデーションのためのTop-Kモデルの代替品である。 GPTRecは,従来のグリーディ・リグレード手法よりも精度とセカンダリ・メトリクスのトレードオフが優れていることを示す。 2つのデータセットに対する実験により、GPTRecのNext-K生成アプローチは、古典的なグリージーな再ランク技術よりも精度と二次メトリクスのトレードオフが優れていることが示された。
  論文  参考訳（メタデータ） (2024-03-07T19:47:48Z)
• 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)
• Embedding Ranking-Oriented Recommender System Graphs [10.74267520911262]
  グラフベースのランキング指向推薦フレームワークであるPGRecを提案する。 提案手法の性能評価を行った結果,異なるMovieLensデータセットのNDCG@10において,PGRecはベースラインアルゴリズムよりも3.2%高い性能を示した。
  論文  参考訳（メタデータ） (2020-07-31T16:56:54Z)

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。