論文の概要: AsarRec: Adaptive Sequential Augmentation for Robust Self-supervised Sequential Recommendation

• arxiv url: http://arxiv.org/abs/2512.14047v1
• Date: Tue, 16 Dec 2025 03:29:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.567743
• Title: AsarRec: Adaptive Sequential Augmentation for Robust Self-supervised Sequential Recommendation
• Title（参考訳）: AsarRec:ロバスト自己監督型シーケンス推薦のための適応的シーケンス拡張
• Authors: Kaike Zhang, Qi Cao, Fei Sun, Xinran Liu,
• Abstract要約: シークエンシャルレコメンダシステムは、ユーザの動的嗜好をモデル化し、アイテム遷移パターンをキャプチャする強力な機能を示している。 ヒューマンエラー、不確実性、行動の曖昧さは、劣化したレコメンデーションのパフォーマンスにつながる。 AsarRecは、ユーザシーケンスを確率的遷移シーケンスにエンコードすることで、変換行列を生成することを学習する。
• 参考スコア（独自算出の注目度）: 18.47848960425837
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequential recommender systems have demonstrated strong capabilities in modeling users' dynamic preferences and capturing item transition patterns. However, real-world user behaviors are often noisy due to factors such as human errors, uncertainty, and behavioral ambiguity, which can lead to degraded recommendation performance. To address this issue, recent approaches widely adopt self-supervised learning (SSL), particularly contrastive learning, by generating perturbed views of user interaction sequences and maximizing their mutual information to improve model robustness. However, these methods heavily rely on their pre-defined static augmentation strategies~(where the augmentation type remains fixed once chosen) to construct augmented views, leading to two critical challenges: (1) the optimal augmentation type can vary significantly across different scenarios; (2) inappropriate augmentations may even degrade recommendation performance, limiting the effectiveness of SSL. To overcome these limitations, we propose an adaptive augmentation framework. We first unify existing basic augmentation operations into a unified formulation via structured transformation matrices. Building on this, we introduce AsarRec (Adaptive Sequential Augmentation for Robust Sequential Recommendation), which learns to generate transformation matrices by encoding user sequences into probabilistic transition matrices and projecting them into hard semi-doubly stochastic matrices via a differentiable Semi-Sinkhorn algorithm. To ensure that the learned augmentations benefit downstream performance, we jointly optimize three objectives: diversity, semantic invariance, and informativeness. Extensive experiments on three benchmark datasets under varying noise levels validate the effectiveness of AsarRec, demonstrating its superior robustness and consistent improvements.
• Abstract（参考訳）: シークエンシャルレコメンダシステムは、ユーザの動的嗜好をモデル化し、アイテム遷移パターンをキャプチャする強力な機能を示している。 しかし、実際のユーザの行動は、ヒューマンエラー、不確実性、行動のあいまいさなどの要因により、しばしばうるさい。 この問題に対処するために、近年のアプローチでは、ユーザインタラクションシーケンスの摂動ビューを生成し、相互情報を最大化し、モデルロバスト性を改善することで、自己教師付き学習(SSL)、特に対照的な学習を広く採用している。 しかし、これらのメソッドは、拡張ビューを構築するための事前定義された静的拡張戦略~(拡張タイプが一度選択されたままである)に大きく依存しており、(1)最適な拡張タイプは異なるシナリオで大きく異なる可能性がある、(2)不適切な拡張はレコメンデーションパフォーマンスを低下させ、SSLの有効性を制限している、という2つの重要な課題につながっている。 これらの制限を克服するために,適応的な拡張フレームワークを提案する。 まず,既存の基本拡張操作を構造化変換行列を介して統一的な定式化する。 そこで我々はAsarRec(Adaptive Sequential Augmentation for Robust Sequential Recommendation)を導入し,ユーザシーケンスを確率遷移行列にエンコードし,半二重確率行列に投影することで変換行列を生成する。 学習の強化が下流のパフォーマンス向上に寄与することを保証するため、多様性、意味的不変性、情報性という3つの目標を共同で最適化する。 ノイズレベルの異なる3つのベンチマークデータセットに対する大規模な実験により、AsarRecの有効性が検証され、その優れた堅牢性と一貫した改善が示された。

関連論文リスト

• LARES: Latent Reasoning for Sequential Recommendation [96.26996622771593]
  本稿では、シークエンシャルレコメンデーションのための新しいスケーラブルなLatent ReasoningフレームワークであるLARESを紹介する。 提案手法では,パラメータの複雑性を増大させることなく推理深度を柔軟に拡張できる再帰的アーキテクチャを用いている。 我々のフレームワークは既存の高度なモデルとのシームレスな互換性を示し、推奨性能をさらに向上させる。
  論文  参考訳（メタデータ） (2025-05-22T16:22:54Z)
• Learnable Sequence Augmenter for Triplet Contrastive Learning in Sequential Recommendation [21.748796333731672]
  シーケンシャルレコメンデーション(LACLRec)における三重項コントラスト学習のための学習可能なシーケンスオーグメンタ シーケンシャルレコメンデーション(LACLRec)におけるトリプルトコントラスト学習のための学習可能なシーケンスオーグメンタを提案する。
  論文  参考訳（メタデータ） (2025-03-26T04:56:29Z)
• Behavior-Dependent Linear Recurrent Units for Efficient Sequential Recommendation [18.75561256311228]
  RecBLRは、振舞い依存リニアリカレントユニットに基づく効率的なシークエンシャルレコメンデーションモデルである。 本モデルは,ユーザの行動モデリングとレコメンデーション性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-06-18T13:06:58Z)
• Diffusion-based Contrastive Learning for Sequential Recommendation [6.3482831836623355]
  本稿では,CaDiRecという,文脈対応拡散に基づく逐次推薦のためのコントラスト学習を提案する。 CaDiRecは、コンテキスト対応拡散モデルを使用して、シーケンス内の所定の位置に対する代替アイテムを生成する。 フレームワーク全体をエンドツーエンドでトレーニングし、拡散モデルとレコメンデーションモデルの間でアイテムの埋め込みを共有します。
  論文  参考訳（メタデータ） (2024-05-15T14:20:37Z)
• Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
  GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。 本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-22T15:32:59Z)
• Improving Contrastive Learning with Model Augmentation [123.05700988581806]
  このシーケンシャルレコメンデーションは,ユーザ行動における次の項目を予測することを目的としている。 シーケンスにおけるデータの分散性やノイズの問題から,新たな自己教師付き学習(SSL)パラダイムが提案され,性能が向上した。
  論文  参考訳（メタデータ） (2022-03-25T06:12:58Z)
• Contrastive Self-supervised Sequential Recommendation with Robust Augmentation [101.25762166231904]
  Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。 データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。 逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
  論文  参考訳（メタデータ） (2021-08-14T07:15:25Z)
• Adversarial and Contrastive Variational Autoencoder for Sequential Recommendation [25.37244686572865]
  本稿では、逐次レコメンデーションのためのAdversarial and Contrastive Variational Autoencoder (ACVAE) と呼ばれる新しい手法を提案する。 まず,本モデルが高品質な潜在変数を生成することを可能にするadversarial variational bayesフレームワークの下で,シーケンス生成のためのadversarial trainingを導入する。 さらに、シーケンスをエンコードする場合、シーケンス内のグローバルおよびローカルの関係をキャプチャするために、繰り返しおよび畳み込み構造を適用します。
  論文  参考訳（メタデータ） (2021-03-19T09:01:14Z)
• Sequential Recommendation with Self-Attentive Multi-Adversarial Network [101.25533520688654]
  逐次レコメンデーションにおける文脈情報の影響を明示的にモデル化するためのMFGAN(Multi-Factor Generative Adversarial Network)を提案する。 当社のフレームワークは,複数種類の因子情報を組み込むことが柔軟であり,各因子が推奨決定にどのように貢献するかを時間とともに追跡することができる。
  論文  参考訳（メタデータ） (2020-05-21T12:28:59Z)

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。