論文の概要: Diversity Recommendation via Causal Deconfounding of Co-purchase Relations and Counterfactual Exposure

• arxiv url: http://arxiv.org/abs/2512.17733v1
• Date: Fri, 19 Dec 2025 16:09:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-22 19:25:54.47562
• Title: Diversity Recommendation via Causal Deconfounding of Co-purchase Relations and Counterfactual Exposure
• Title（参考訳）: 共買関係の因果分解と対物暴露による多様性勧告
• Authors: Jingmao Zhang, Zhiting Zhao, Yunqi Lin, Jianghong Ma, Tianjun Wei, Haijun Zhang, Xiaofeng Zhang,
• Abstract要約: 我々は,共購入関係の因果分解と対人暴露による多様性勧告を提案する。 LightGCN上に構築されたプラグイン・アンド・プレイのフレームワークで、精度を保ちながらレコメンデーションの多様性を高める。 我々の手法は、多様性と正確性の両方において、最先端の多様性モデルよりも一貫して優れています。
• 参考スコア（独自算出の注目度）: 23.71990071700833
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Beyond user-item modeling, item-to-item relationships are increasingly used to enhance recommendation. However, common methods largely rely on co-occurrence, making them prone to item popularity bias and user attributes, which degrades embedding quality and performance. Meanwhile, although diversity is acknowledged as a key aspect of recommendation quality, existing research offers limited attention to it, with a notable lack of causal perspectives and theoretical grounding. To address these challenges, we propose Cadence: Diversity Recommendation via Causal Deconfounding of Co-purchase Relations and Counterfactual Exposure - a plug-and-play framework built upon LightGCN as the backbone, primarily designed to enhance recommendation diversity while preserving accuracy. First, we compute the Unbiased Asymmetric Co-purchase Relationship (UACR) between items - excluding item popularity and user attributes - to construct a deconfounded directed item graph, with an aggregation mechanism to refine embeddings. Second, we leverage UACR to identify diverse categories of items that exhibit strong causal relevance to a user's interacted items but have not yet been engaged with. We then simulate their behavior under high-exposure scenarios, thereby significantly enhancing recommendation diversity while preserving relevance. Extensive experiments on real-world datasets demonstrate that our method consistently outperforms state-of-the-art diversity models in both diversity and accuracy, and further validates its effectiveness, transferability, and efficiency over baselines.
• Abstract（参考訳）: ユーザ・イテム・モデリング以外にも、レコメンデーションを強化するためにアイテム・ツー・イテム・リレーションがますます使われています。 しかし、一般的な手法は共起に大きく依存しているため、アイテムの人気バイアスやユーザ属性に傾向があり、組込み品質やパフォーマンスが低下する。 一方、多様性は推奨品質の重要な側面として認められているが、既存の研究は、因果的視点の欠如と理論的根拠の欠如を特徴として、それに対する注意を限定している。 これらの課題に対処するために、我々はCadence: Diversity Recommendation via Causal Deconfounding of Co-purchase Relations and Counterfactual Exposure – LightGCNをバックボーンとして構築したプラグイン・アンド・プレイフレームワークを提案する。 まず、アイテムの人気とユーザ属性を除いたアイテム間の不偏非対称な共購入関係(UACR)を計算し、埋め込みを洗練するための集約機構を用いて、デコンストラクションされたアイテムグラフを構築する。 第2に、UACRを利用して、ユーザのインタラクションアイテムに強い因果関係を示すが、まだ関与していない項目の多様なカテゴリを識別する。 そして,その振る舞いを高暴露シナリオでシミュレートし,関連性を保ちながら推薦の多様性を大幅に向上させる。 実世界のデータセットに対する大規模な実験により、我々の手法は多様性と正確性の両方において最先端の多様性モデルより一貫して優れており、その有効性、伝達性、効率がベースラインよりも高いことが実証された。

関連論文リスト

• Balancing Semantic Relevance and Engagement in Related Video Recommendations [21.2575040646784]
  関連ビデオレコメンデーションでは、協調フィルタリング(CF)をコエンゲージメント信号で駆動するのが一般的である。 本稿では,意味的関連性とユーザエンゲージメントのバランスをとるために,新しい多目的検索フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-12T21:04:25Z)
• A Novel Generative Model with Causality Constraint for Mitigating Biases in Recommender Systems [20.672668625179526]
  遅延共起バイアスは、ユーザのフィードバックとアイテムの露出の間の真の因果関係を曖昧にする可能性がある。 本稿では,Recommender Systemsにおける表現学習のための遅延因果制約(Latent Causality Constraints)と呼ばれる新しい生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-22T14:09:39Z)
• Consistency Regularization for Complementary Clothing Recommendations [4.698072627654264]
  本稿では,ベイジアンパーソナライズランキング(CR-BPR)の一貫性正規化モデルの開発について報告する。 これは、既存の補完的な衣服推薦手法の欠点、すなわち、多モードデータの多様な特徴尺度によって引き起こされる限定された一貫性と偏りのある学習に対処する。 CR-BPRモデルの有効性は、2つのベンチマークデータセットを含む詳細な分析によって検証された。
  論文  参考訳（メタデータ） (2024-11-19T07:30:07Z)
• Knowledge Graph Context-Enhanced Diversified Recommendation [53.3142545812349]
  本研究では,知識グラフ(KG)の複雑な文脈における多角化RecSys領域について検討する。 私たちのコントリビューションには、革新的なメトリック、エンティティカバレッジ、KGドメイン内の多様性を効果的に定量化するリレーショナルカバレッジの導入が含まれています。 そこで本稿では,文脈整合性を維持しつつ,KG項目の埋め込みを符号化するCAU(Conditional Alignment and Uniformity)という新しい手法を紹介する。
  論文  参考訳（メタデータ） (2023-10-20T03:18:57Z)
• DPAN: Dynamic Preference-based and Attribute-aware Network for Relevant Recommendations [3.4947076558586967]
  そこで本稿では,Click-Through Rate (CTR) を予測するために,Dynamic Preference-based and Attribute-aware Network (DPAN) と呼ばれる新しい手法を提案する。 DPANは、当社のeコマースプラットフォームに、関連するレコメンデーションのための主要なトラフィックを提供するために、うまくデプロイされています。
  論文  参考訳（メタデータ） (2023-08-21T07:26:09Z)
• Sequential Recommendation with Controllable Diversification: Representation Degeneration and Diversity [59.24517649169952]
  我々は,表現退化問題は,既存のSR手法における推奨の多様性の欠如の根本原因であると主張している。 Singular sPectrum sMoothing regularization for Recommendation (SPMRec)を提案する。
  論文  参考訳（メタデータ） (2023-06-21T02:42:37Z)
• Deep Causal Reasoning for Recommendations [47.83224399498504]
  推薦システム研究の新たなトレンドは、共同創設者の影響を因果的観点から否定することである。 提案手法は多因性マルチアウトカム(MCMO)推論問題としてモデル化する。 MCMOモデリングは,高次元因果空間に付随する観測が不十分なため,高いばらつきをもたらす可能性があることを示す。
  論文  参考訳（メタデータ） (2022-01-06T15:00:01Z)
• Choosing the Best of Both Worlds: Diverse and Novel Recommendations through Multi-Objective Reinforcement Learning [68.45370492516531]
  本稿では,Recommender Systems (RS) 設定のための拡張多目的強化学習(SMORL)を紹介する。 SMORLエージェントは、標準レコメンデーションモデルを拡張し、RLレイヤーを追加し、3つの主要な目的(正確性、多様性、新しいレコメンデーション)を同時に満たすように強制する。 実世界の2つのデータセットに対する実験結果から,集約的多様性の顕著な増加,精度の適度な向上,レコメンデーションの反復性の低下,および相補的目的としての多様性と新規性の強化の重要性が示された。
  論文  参考訳（メタデータ） (2021-10-28T13:22:45Z)
• Simultaneous Relevance and Diversity: A New Recommendation Inference Approach [81.44167398308979]
  本稿では,新しいCF推論手法である負対陽性を導入することにより,一般協調フィルタリング(CF)を拡張した新しい手法を提案する。 我々のアプローチは、様々な高度なレベルでの幅広い推奨シナリオ/ユースケースに適用できる。 公開データセットと実世界の生産データに関する分析と実験により、我々のアプローチは、関連性および多様性に関する既存の手法を同時に上回ることを示した。
  論文  参考訳（メタデータ） (2020-09-27T22:20:12Z)

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。