論文の概要: Unleashing the Potential of Neighbors: Diffusion-based Latent Neighbor Generation for Session-based Recommendation

• arxiv url: http://arxiv.org/abs/2601.03903v1
• Date: Wed, 07 Jan 2026 13:14:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-08 18:12:46.197199
• Title: Unleashing the Potential of Neighbors: Diffusion-based Latent Neighbor Generation for Session-based Recommendation
• Title（参考訳）: 隣人の可能性の解き放つ:セッションベース勧告のための拡散型潜在隣人生成
• Authors: Yuhan Yang, Jie Zou, Guojia An, Jiwei Wei, Yang Yang, Heng Tao Shen,
• Abstract要約: セッションベースのレコメンデーションは、匿名ユーザが関心を持つかもしれない次の項目を、現在のセッションインタラクションに基づいて予測することを目的としている。 近年の研究では、近隣のセッションを検索して現在のセッションを増やすことで、データ空間の問題が効果的に軽減できることが示されている。 本稿では,DiffSBR というセッションベース推薦モデルを提案する。
• 参考スコア（独自算出の注目度）: 51.74332787641956
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Session-based recommendation aims to predict the next item that anonymous users may be interested in, based on their current session interactions. Recent studies have demonstrated that retrieving neighbor sessions to augment the current session can effectively alleviate the data sparsity issue and improve recommendation performance. However, existing methods typically rely on explicitly observed session data, neglecting latent neighbors - not directly observed but potentially relevant within the interest space - thereby failing to fully exploit the potential of neighbor sessions in recommendation. To address the above limitation, we propose a novel model of diffusion-based latent neighbor generation for session-based recommendation, named DiffSBR. Specifically, DiffSBR leverages two diffusion modules, including retrieval-augmented diffusion and self-augmented diffusion, to generate high-quality latent neighbors. In the retrieval-augmented diffusion module, we leverage retrieved neighbors as guiding signals to constrain and reconstruct the distribution of latent neighbors. Meanwhile, we adopt a training strategy that enables the retriever to learn from the feedback provided by the generator. In the self-augmented diffusion module, we explicitly guide the generation of latent neighbors by injecting the current session's multi-modal signals through contrastive learning. After obtaining the generated latent neighbors, we utilize them to enhance session representations for improving session-based recommendation. Extensive experiments on four public datasets show that DiffSBR generates effective latent neighbors and improves recommendation performance against state-of-the-art baselines.
• Abstract（参考訳）: セッションベースのレコメンデーションは、匿名ユーザが関心を持つかもしれない次の項目を、現在のセッションインタラクションに基づいて予測することを目的としている。 近年の研究では、近隣のセッションを検索して現在のセッションを拡大することで、データ空間の問題が効果的に軽減され、レコメンデーション性能が向上することが示されている。 しかしながら、既存のメソッドは通常、明示的に観察されたセッションデータに依存しており、潜伏している隣人(直接観察されていないが、関心領域に関連がある可能性がある)を無視しているため、推奨される隣人のセッションの可能性を完全に活用できない。 以上の制限に対処するため,DiffSBRというセッションベースレコメンデーションのための拡散型潜在近傍生成モデルを提案する。 具体的には、DiffSBRは、検索拡張拡散と自己拡張拡散を含む2つの拡散モジュールを活用し、高品質な潜伏した隣人を生成する。 探索拡張拡散モジュールでは、探索された隣人の分布を制約し再構成するための誘導信号として、検索された隣人の移動を利用する。 一方、我々は、検索者がジェネレータが提供するフィードバックから学ぶことができる訓練戦略を採用した。 自己拡張拡散モジュールでは、コントラスト学習を通じて、現在のセッションのマルチモーダル信号を注入することにより、潜在隣人の生成を明示的にガイドする。 生成した潜在隣人を取得して、セッションベースレコメンデーションを改善するためにセッション表現を強化する。 4つの公開データセットの大規模な実験により、DiffSBRは有効な潜伏する隣人を発生し、最先端のベースラインに対する推奨性能を向上させることが示されている。

関連論文リスト

• Continuous-time Discrete-space Diffusion Model for Recommendation [25.432419904462694]
  CDRecは、新しいContinuous-time Discrete-space Diffusion Recommendationフレームワークである。 これは推奨精度と計算効率の両方において優れている。 実世界のデータセットの実験は、推奨精度と計算効率の両方においてCDRecの優れた性能を示す。
  論文  参考訳（メタデータ） (2025-11-15T09:06:57Z)
• STARec: An Efficient Agent Framework for Recommender Systems via Autonomous Deliberate Reasoning [54.28691219536054]
  我々は、自律的な熟考的推論機能を備えたレコメンデータシステムを支援する、ゆっくり考えられた拡張エージェントフレームワークSTARecを紹介する。 我々は,先進的推論モデルと嗜好整合型報酬形成から構造化知識の蒸留を組み合わせた2段階のパラダイムであるアンカー強化訓練を開発する。 MovieLens 1MとAmazon CDsベンチマークの実験では、STARecは最先端のベースラインと比較して、大幅なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-08-26T08:47:58Z)
• Hierarchical Intent-guided Optimization with Pluggable LLM-Driven Semantics for Session-based Recommendation [22.653549796453426]
  セッションベースのレコメンデーション(SBR)は、匿名セッション内でのインタラクションシーケンスを使用して、ユーザが関与する可能性のある次の項目を予測することを目的としている。 既存のSBRモデルは、セッション間の関係を無視し、価値あるクロスセッションの洞察を無視して、シングルセッションの情報のみに焦点を当てることが多い。 HIPHOPと呼ばれるセッションベースレコメンデーションのためのプラグイン型LLM型セマンティックラーニングを用いた階層型インテント誘導最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-07-07T02:50:04Z)
• SessionRec: Next Session Prediction Paradigm For Generative Sequential Recommendation [20.51953517144625]
  生成的逐次レコメンデーションのための新しい次世代予測パラダイムであるSessionRecを紹介する。 実際のセッションベースのユーザインタラクションに矛盾するNIPPの項目レベルの自己回帰生成とは異なり、我々のフレームワークはセッション認識表現学習を導入している。 その結果、次のセッション予測パラダイムの下で、セッション内の項目のランクロスを組み込むことで、生成シーケンス推薦モデルのランキングの有効性を著しく向上できることがわかった。
  論文  参考訳（メタデータ） (2025-02-14T13:36:20Z)
• Bridging User Dynamics: Transforming Sequential Recommendations with Schrödinger Bridge and Diffusion Models [49.458914600467324]
  拡散に基づく逐次レコメンデーションモデルにSchr"odinger Bridgeを導入し、SdifRecモデルを作成する。 また、ユーザクラスタリング情報を誘導条件として利用するcon-SdifRecと呼ばれるSdifRecの拡張版も提案する。
  論文  参考訳（メタデータ） (2024-08-30T09:10:38Z)
• Diffusion Recommender Model [85.9640416600725]
  そこで我々は,DiffRecと呼ばれる新しい拡散レコメンダモデルを提案し,その生成過程を認知的に学習する。 ユーザインタラクションにおけるパーソナライズされた情報を維持するため、DiffRecは追加のノイズを低減し、画像合成のような純粋なノイズに対するユーザのインタラクションを損なうことを避ける。
  論文  参考訳（メタデータ） (2023-04-11T04:31:00Z)
• SimCGNN: Simple Contrastive Graph Neural Network for Session-based Recommendation [13.335104151715946]
  セッションベースのレコメンデーション問題は、匿名ユーザの次のイテム予測に焦点を当てている。 既存のグラフベースのSBRメソッドには、すべてのセッションを同じアイテムで区別する機能がない。 本稿ではセッションベースレコメンデーション(SimCGNN)のための単純なコントラストグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2023-02-08T11:13:22Z)
• Neighborhood Mixup Experience Replay: Local Convex Interpolation for Improved Sample Efficiency in Continuous Control Tasks [60.88792564390274]
  Neighborhood Mixup Experience Replay (NMER) は、状態-作用空間における遷移を補間する幾何学的に接地されたリプレイバッファである。 NMERは,ベースライン再生バッファ上で平均94%(TD3)と29%(SAC)のサンプリング効率を向上する。
  論文  参考訳（メタデータ） (2022-05-18T02:44:08Z)
• Dynamic Bottleneck for Robust Self-Supervised Exploration [84.78836146128236]
  本稿では,インフォメーション・ボトルネックの原理に基づく動的関連表現を実現する動的ボトルネック(DB)モデルを提案する。 さらに,DBモデルに基づくDB-bonusを提案する。 実験の結果,DBボーナスによる探索は,ノイズの多い環境での最先端の探査方法よりも優れていた。
  論文  参考訳（メタデータ） (2021-10-20T19:17:05Z)

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。